Los métodos de aprendizaje no supervisado son una herramienta fundamental en el análisis de
datos. A pesar de ello, y en contraste con el aprendizaje supervisado (learning) no hay una función
objetivo bien definida que aplique a todos ellos. Veremos en el curso que cada método tiene sus
ventajas y limitaciones a partir de sus versiones poblacionales analizando sus funciones objetivo.
Centro de Matemática
Facultad de Ciencias
Universidad de la República, Uruguay
Martes 10:30hs - 13 encuentros (26hs totales)
Arranca 1 de septiembre
Preinscripción completa este formulario.
La inscripción formal aun no esta abierta. Por consultas de Inscripción contactarte unicamente con preinscripcion.ic @ gmail.com
1.- Introducción. Que es aprendizaje no supervisado.
2.- Métodos clásicos: k-medias, cluster jerárquico.
3.- Dbscan
4.- Propiedades asintóticas.
5.- Métodos robustos de clustering: k-medias recortadas.
6.- Clustering para datos en espacios funcionales.
7.- CUBT (clustering a la CART)
8.- Spectral clustering.
9.- Grafos y detección de comunidades.
10-11.- Co-clustering
12.- Clasificación semi-supervisada.
13.- Introducción al aprendizaje online
• Foundations of Data Science Avrim Blum, John Hopcroft, and Ravindran Kannan
• Handbook of Cluster Analysis editado por Christian Hennig, Marina Meila, Fionn Murtagh, Roberto Rocci