Perfilado de sección

  • Ingresamos al terreno de lo no supervisado mediante algoritmos de clustering como K-means y clustering jerárquico. Simultáneamente, daremos el salto evolutivo hacia las redes neuronales artificiales básicas y el deep learning.

    La agrupación de datos nos permite segmentar la información basándonos exclusivamente en sus características intrínsecas, sin intervención humana previa. Acto seguido, utilizaremos bibliotecas especializadas como TensorFlow y PyTorch para entender cómo los sistemas computacionales emulan biológicamente el procesamiento de información en capas.

    La conjunción de algoritmos de agrupamiento y redes profundas establece los fundamentos para el modelado cognitivo avanzado. Así es como la inteligencia y la vida artificial emergen: auto-organizando percepciones complejas del entorno.

    • Clustering con K-Means en Python paso a paso

    • Actividad (Tarea):

      Descarga el dataset clásico de las flores Iris (sin usar sus etiquetas para simular aprendizaje no supervisado): Iris Dataset (CSV). Utiliza Colab para implementar el algoritmo K-Means de scikit-learn configurando $k=3$. Usa un gráfico de dispersión de Matplotlib para visualizar cómo el algoritmo agrupó lógicamente los datos basándose únicamente en la longitud y ancho de los pétalos.

    • Foro:

      Considerando la emulación biológica y la vida artificial, ¿cuáles crees que son las principales diferencias entre la forma en que aprende un algoritmo estadístico (como K-means) frente a una red neuronal profunda que emula el cerebro humano?