Eikosestadística y ciencia de datos

Machine learning e IA · Mineria Datos

Minería de Datos: Aprendizaje No Supervisado y Agrupamiento

Introducción pública · guía completa en Eikos

Introducción

De qué trata esta guía

Un análisis teórico riguroso y exhaustivo sobre la taxonomía del aprendizaje no supervisado. Exploración matemática detallada de espacios de Hilbert, topología de redes de vecindad, convergencia del algoritmo de Esperanza-Maximización y descomposición espectral de grafos Laplacianos.

Recorrido

Temas que aborda

  • Introducción
  • Modelos Estadísticos de Agrupamiento (Clustering)
  • Teoría de Distancias y Espacios Métricos
  • 1.1 Familias de Métricas en Espacios de Características Continuas
  • Distancia de Minkowski
  • Distancia de Mahalanobis

Conceptos relacionados

Conexiones principales

  • algebra
  • ml nosupervisado
  • varianza
  • media
  • bayes
  • verosimilitud

Notación compatible

Muestra matemática en LaTeX

La expresión se renderiza de forma accesible y conserva debajo su fuente LaTeX.

dp(x,y)=(∑i=1d∣xi−yi∣p)1/p,p≥1d_p(\mathbf{x}, \mathbf{y}) = \left( \sum_{i=1}^d |x_i - y_i|^p \right)^{1/p}, \quad p \ge 1
Ver LaTeX fuented_p(\mathbf{x}, \mathbf{y}) = \left( \sum_{i=1}^d |x_i - y_i|^p \right)^{1/p}, \quad p \ge 1