Aprendizaje no supervisado

En el aprendizaje no supervisado... Se conoce los atributos de los ejemplos, así como la clase a la que pertenecen. Se conocen los atributos de los ejemplos, pero no la clase a la que pertenecen. Son un tipo de aprendizaje basado en el aprendizaje por refuerzo.

El aprendizaje no supervisado... Aprende de un conjunto de ejemplos de los que se conocen sus atributos, pero no conocemos la clase a la que pertenecen. Se utilizan técnicas de agrupamiento o clustering para clasificar los ejemplos. Las otras respuestas son correctas.

Selecciona la opción correcta: Mientras que los algoritmos de aprendizaje supervisado no conocen la calse de los ejemplos, los no supervisados sí que la conocen. Es el aprendizaje supervisado el que utiliza técnicas de agrupamiento o clustering. El aprendizaje no supervisado busca qué tienen los ejemplos del conjunto de aprendizaje en común para constituir una clase o cluster.

En el algoritmos K-mean... La cardinalidad del vector de características nos da la dimensionalidad del espacio en el que están los ejemplos. La cardinalidad del vector de características no juega ningún papel importante para darnos la dimensionalidad del espacio en le que están los ejemplos. Ninguna es verdadera.

El algorito K-mean... Realiza un proceso iterativo que: 1- Busca para cada ejemplo la media más cercana y le asigna al cluster de dicha media. 2- Se recalculan la medias con los datos de cada cluster. 3- Si las medias no cambia se sale, sino se vuelve al paso 1. Realiza un proceso recursivo que: 1- Busca para cada ejemplo la media más cercana y le asigna al cluster de dicha media. 2- Se recalculan la medias con los datos de cada cluster. 3- Si las medias no cambia se sale, si no realiza una nueva llamada a la función. Puede implementar tanto un proceso iterativo como recursivo.

El algoritmo k-mean. Realiza un proceso iterativo en el que se ha de calcular la distancia de un ejemplo al centro de los diferentes clusters. Esta distancia puede ser euclídea, mahalanovis u otra. Realiza un proceso iterativo en el que se ha de calcular la distancia de un ejemplo al centro de los diferentes clusters. Esta distancia únicamente ser euclídea o mahalanovis. En el algoritmos no se calculan distancias, sino probabilidad de pertenencia a un cluster.

¿Cómo se inicializan las medias de k-mean?. Se toman al azar k puntos del conjunto de entrenamiento. Se toman los k puntos que mejor describen el ejemplo. En este algoritmo no es importante la inicialización.

El algoritmo k-means... Realiza una división fuerte del espacio, lo que es un inconveniente. Realiza una división débil del espacio, lo que es una ventaja. Realiza una división débil del espacio, lo que es un inconveniente.

La definición básica del data mining se corresponde con: El aprendizaje no supervisado, ya que se parte de una información no etiquetada o clasificada. El aprendizaje por refuerzo, ya que se parte una información no etiquetada o clasificada. El aprendizaje supervisado, ya que se parte de una información no etiquetada.

En k-means, la inicialización es algo a tener muy en cuenta. Cierto, ya que dependiendo de esta puede que se tenga un buen resultado o no. Cierto, ya que siempre hay que inicilizar las k medias muy próximas para obtener un buen resultado. Falso, ya que nos da igual la inicialización que se realice para este algoritmo.

¿Qué se puede apreciar en la imagen?. Que el resultado obtenido no es bueno debido a la inicialización. Que en la última imagen se tienen dos clusters en la parte superior que podrían ser perfectamente uno solo, y en la parte inferior un único cluster, cuando deberían ser dos. Todo ello no guarda relación con la inicialización, sino con que el algoritmo sea iterativo. Ninguna es correcta.

¿Qué afirmación es correcta acerca de la mezcla de gaussianas?. Es la solución a las fronteras fuertes de k-means, ya que este presenta fronteras débiles. Sigue teniendo el problema de fronteras fuertes. Se trata de un proceso recursivo en lugar de iterativo.

En el modelo de mezcla de gaussianas... Se asume que los datos se agrupan siguiendo una distribución de probabilidad gaussiana. Solo se puede trabajar en una dimensión. En lugar de utilizar la distancia de los ejemplos a las medias, ahora utilizaremos la entropía asociada a cada una de las distribuciones gaussianas.

Selecciona la opción correcta: En mezcla de gaussinas, en lugar de tuilizar la distancia de los ejemplos a las medias, se utiliza la probablilidad de pertenencia a cada una de las distibuciones guassianas. K-meas es un método de frontera débil. Mezcla de gaussianas es un método de aprendizaje por refuerzo.

El algoritmo de mezcla de gaussianas consta de 3 pasos, que son: 1- Expectación. Se otienen la prob de pertenencia de cada ejemplo del cjto. de aprendizaje a cada clase (distribución gaussiana). 2- Maximización. Se recalculan las medias y varianzas de cada clase utilizando todos los ejemplos ponderados por su probabilidad de pertenencia. 3- Se itera hasta conseguir convergencia de los parámetros del modelo. 1- Maximización. Se recalculan las medias y varianzas de cada clase utilizando todos los ejemplos ponderados por su probabilidad de pertenencia. 2- Expectación. Se otienen la prob de pertenencia de cada ejemplo del cjto. de aprendizaje a cada clase (distribución gaussiana). 3- Se itera hasta conseguir convergencia de los parámetros del modelo. 1- Maximización. Se recalculan las medias y varianzas de cada clase utilizando todos los ejemplos ponderados por su probabilidad de pertenencia. 2- Expectación. Se otienen la prob de pertenencia de cada ejemplo del cjto. de aprendizaje a cada clase (distribución gaussiana). 3- Se realizan llamadas recursivas hasta conseguir convergencia de los parámetros del modelo.

¿Con qué algoritmo corresponde la siguiente imagen?. K-means. Mezcla de gaussianas. análisis de componentes principales.

¿Qué aplicaciones puede tener la mezcla de gausssianas?. Puede utilizarse para clusteringb o para la comprensión de datos. Puede utilizarse para comprobar si los datos nos los habían proporcionado etiquetados correctamente. No tiene aplicaciones fuera de la visión por computador.

¿Con qué trabaja PCA?. Con las covarianzas de los clusters que tengamos. Con las distancias euclídeas al centro de un cluster. Dependiendo de la implementación realizada utilizará uno u otro.

¿PCA permite la reducción de la dimensionalidad de los datos?. Sí, construyendo un espacio ortonormal. No, no lo permite. Depende del problema en cuestión.