INTELIGENCIA ARTIFICIAL
machine
learning 1
aprendizaje
supervisado y no
supervisado
aplicaciones
flujo en una pagina
clasificación
publicidad
ciberseguridad
aplicación ciencia del deporte
operaciones realizadas
algoritmo machine
learning
2
3
Clustering
El clustering es una tarea que
tiene como finalidad principal
lograr el agrupamiento de
conjuntos de objetos no
etiquetados, para lograr
construir subconjuntos de datos
conocidos como Clusters.
5 algoritmo
import numpy as np
import matplotlib.pyplot as plt
import pandas as pd
from sklearn.cluster import
KMeans
np.random.seed(0)
X = np.random.rand(100, 2)
print(X)
modelo_k =
KMeans(n_clusters=3,
random_state=0)
modelo_k.fit(X)
y = modelo_k.predict(X)
df = pd.DataFrame(X, columns=
['eje x', 'eje y'])
df['Grupo'] = y
print(df)
ejemplo 2
6 plt.scatter(X[:,0], X[:,1], c=y,
s=50, cmap='viridis')
centros =
modelo_k.cluster_centers_
plt.scatter(centros[:,0],
centros[:,1], c='red', s=200,
seleccionar al mejor jugador
alpha=0.75, marker='X')
plt.xlabel('eje x')
teniendo en cuenta los goles, las plt.ylabel('eje y')
asistencias y los minutos plt.show()
los mejores jugadores son el 1 y e
2 según el agrupamiento de los
datos
import pandas as pd
import numpy as np algoritmo
data = {
'Nombre' : modelos de
['Jugador1','Jugador2','Jugador3','J inteligencia
ugador4','Jugador5','Jugador6'],
'Goles': [12, 15, 7, 10, 3, 8],
artificial
'Asistencias': [5, 7, 8, 6, 2, 4],
'Minutos_jugados': [1200, 1500,
800, 1100, 600, 900]
}
df = pd.DataFrame(data)
print(df)
from sklearn.cluster import
KMeans
import matplotlib.pyplot as plt
X = df[['Goles',
'Asistencias','Minutos_jugados']]
modelo_k = KMeans(n_clusters=2,
random_state=0)
df['Cluster'] =
modelo_k.fit_predict(X)
print(df)
plt.scatter(df['Goles'],
df['Asistencias'], c=df['Cluster'],
s=50, cmap='viridis')
centros =
modelo_k.cluster_centers_
plt.scatter(centros[:,0],
centros[:,1], c='red', s=200,
alpha=0.75, marker='X')
plt.xlabel('Goles')
plt.ylabel('asistencias')
plt.show()
