Que los estudiantes descubran estructura en datos sin etiquetas: agrupen observaciones con criterios explícitos y evalúen la calidad del agrupamiento; reduzcan la dimensionalidad para visualizar y para modelar; detecten anomalías; y analicen asociaciones y estructuras latentes.
Lo que este módulo da por aprendido
autovalores y autovectores, SVD, normas, matrices de similitud y de incidencia de grafos.
distribuciones multivariadas, covarianza, verosimilitud y EM, análisis descriptivo multivariado.
Laplaciano de grafos y teoría espectral, nociones de optimización para las funciones objetivo del agrupamiento.
manejo de conjuntos grandes, consultas SQL para armar la tabla analítica.
Cinco unidades
Unidad 1Problemas sin etiqueta y geometría de los datos4 h
- Qué cambia sin variable objetivo: no hay error de predicción, la validación es otro problema.
- Medidas de similitud y distancia: euclídea, Manhattan, coseno, Mahalanobis, distancias para variables mixtas.
- Escalado y su efecto determinante sobre cualquier método basado en distancias.
- La maldición de la dimensionalidad: concentración de distancias y sus consecuencias prácticas.
- Análisis exploratorio previo obligatorio: distribuciones, correlaciones, valores faltantes.
Unidad 2Agrupamiento7 h
- K-Means: función objetivo, algoritmo de Lloyd, inicialización k-means++, sensibilidad a la escala y a la forma de los grupos.
- Elección de k: codo, silueta, criterio de Calinski-Harabasz, estadístico de brecha; por qué no hay respuesta única.
- Agrupamiento jerárquico: enlaces, dendrograma, corte del árbol.
- DBSCAN y HDBSCAN: densidad, parámetros eps y min_samples, grupos de forma arbitraria y puntos de ruido.
- Modelos de mezcla gaussiana y agrupamiento probabilístico; algoritmo EM y asignación blanda (retoma verosimilitud de M2).
- Clustering espectral: del grafo de similitud al Laplaciano y a sus autovectores (usa directamente M1 y M4).
- Interpretación y perfilado de los grupos obtenidos: cómo describir un cluster para un destinatario no técnico.
Unidad 3Evaluación de agrupamientos3 h
- Índices internos: silueta, Davies-Bouldin, Calinski-Harabasz; qué mide cada uno y sus sesgos.
- Índices externos cuando existe una etiqueta parcial: Rand ajustado, información mutua normalizada.
- Estabilidad del agrupamiento frente a remuestreo y a semillas; validación por bootstrap.
- Errores frecuentes: forzar k, interpretar ruido como grupo, comparar índices entre métricas distintas.
Unidad 4Reducción de dimensionalidad6 h
- PCA: varianza explicada, componentes, biplot, elección del número de componentes; su equivalencia con la SVD vista en M1.
- PCA para preprocesar antes de modelar en M5 y M7; cuándo mejora y cuándo destruye señal.
- Métodos no lineales: t-SNE y UMAP; parámetros críticos, lectura correcta del gráfico resultante y sus abusos habituales.
- Factorización de matrices no negativas y su lectura como temas o partes.
- Autocodificadores como reducción no lineal: se enuncia aquí y se implementa en M7.
- Selección de variables frente a extracción de variables: criterios de decisión.
Unidad 5Anomalías y estructuras latentes5 h
- Detección de anomalías: enfoque estadístico, distancia al vecindario (LOF), Isolation Forest, One-Class SVM, error de reconstrucción.
- Anomalía contextual y colectiva; el problema del desbalance extremo y de la evaluación sin etiquetas.
- Reglas de asociación: soporte, confianza, lift, algoritmo Apriori y FP-Growth; análisis de canasta de compra.
- Estructuras latentes en texto: representación vectorial, LSA/LDA como panorama.
- Integración: el análisis no supervisado como etapa exploratoria previa al modelado supervisado del proyecto integrador.
Evaluación
Trabajo práctico: análisis no supervisado completo de un conjunto real asignado — exploración, reducción de dimensionalidad, agrupamiento con al menos dos algoritmos, evaluación y estabilidad, perfilado interpretativo de los grupos y detección de anomalías. Se evalúa la justificación de cada decisión y la honestidad de las conclusiones.
Datos de trabajo
Conjunto de segmentación de clientes o de usuarios, conjunto de expresión génica o espectros de alta dimensión, registro de transacciones para reglas de asociación.
Bibliografía
- Hastie, T., Tibshirani, R. y Friedman, J. (2009). The Elements of Statistical Learning, cap. 14.
- Aggarwal, C. C. (2015). Data Mining: The Textbook, caps. 6, 8 y 9.
- VanderPlas, J. (2016). Python Data Science Handbook, cap. 5.
- Géron, A. (2022). Hands-On Machine Learning..., cap. 9.
- Documentación de scikit-learn y de UMAP-learn.