El Projecte | Sobre nosaltres | Contribuir | Donacions | Llicència

HOME

L'aprenentatge no supervisat és una branca de l'aprenentatge automàtic que s'utilitza per trobar patrons ocults en dades sense etiquetar. A diferència de l'aprenentatge supervisat, on els models es construeixen a partir de dades etiquetades, l'aprenentatge no supervisat treballa amb dades que no tenen una resposta coneguda.

Objectius del Mòdul

Entendre els conceptes bàsics de l'aprenentatge no supervisat.
Aprendre a utilitzar algorismes d'aprenentatge no supervisat en R.
Aplicar tècniques d'agrupament (clustering) i reducció de dimensionalitat.

Contingut

Conceptes Bàsics de l'Aprenentatge No Supervisat
Algorismes d'Agrupament (Clustering)
Reducció de Dimensionalitat
Exercicis Pràctics
Resum

Conceptes Bàsics de l'Aprenentatge No Supervisat

L'aprenentatge no supervisat es centra en identificar estructures ocultes en les dades. Els dos tipus principals d'algorismes són:

Agrupament (Clustering): Agrupa les dades en clústers o grups basats en la similitud.
Reducció de Dimensionalitat: Redueix el nombre de variables en les dades mantenint la informació més rellevant.

Algorismes d'Agrupament (Clustering)

K-means Clustering

L'algorisme K-means és un dels més utilitzats per a l'agrupament. Divideix les dades en K clústers, on cada punt de dades pertany al clúster amb el centreide més proper.

Exemple de K-means en R

# Instal·lar i carregar el paquet necessari
install.packages("ggplot2")
library(ggplot2)

# Generar dades d'exemple
set.seed(123)
data <- data.frame(x = rnorm(100), y = rnorm(100))

# Aplicar K-means
set.seed(123)
kmeans_result <- kmeans(data, centers = 3)

# Afegir els resultats de l'agrupament a les dades
data$cluster <- as.factor(kmeans_result$cluster)

# Visualitzar els clústers
ggplot(data, aes(x = x, y = y, color = cluster)) +
  geom_point() +
  labs(title = "K-means Clustering", x = "X", y = "Y")

Algorisme de Clúster Jeràrquic

L'agrupament jeràrquic crea una jerarquia de clústers. Hi ha dos tipus principals: aglomeratiu (de baix a dalt) i divisió (de dalt a baix).

Exemple de Clúster Jeràrquic en R

# Generar dades d'exemple
set.seed(123)
data <- data.frame(x = rnorm(100), y = rnorm(100))

# Calcular la distància
dist_matrix <- dist(data)

# Aplicar l'agrupament jeràrquic
hclust_result <- hclust(dist_matrix, method = "complete")

# Dibuixar el dendrograma
plot(hclust_result, main = "Dendrograma de Clúster Jeràrquic", xlab = "", sub = "")

Reducció de Dimensionalitat

Anàlisi de Components Principals (PCA)

PCA és una tècnica que transforma les dades a un nou espai de menor dimensió, mantenint la major part de la variabilitat de les dades.

Exemple de PCA en R

# Generar dades d'exemple
set.seed(123)
data <- data.frame(x = rnorm(100), y = rnorm(100), z = rnorm(100))

# Aplicar PCA
pca_result <- prcomp(data, scale. = TRUE)

# Visualitzar els resultats
summary(pca_result)
biplot(pca_result, main = "Biplot de PCA")

Exercicis Pràctics

Exercici 1: Aplicar K-means a un Conjunt de Dades

Carrega el conjunt de dades iris disponible en R.
Aplica l'algorisme K-means per agrupar les flors en 3 clústers.
Visualitza els resultats utilitzant ggplot2.

Solució

# Carregar el conjunt de dades iris
data(iris)
iris_data <- iris[, -5]

# Aplicar K-means
set.seed(123)
kmeans_result <- kmeans(iris_data, centers = 3)

# Afegir els resultats de l'agrupament a les dades
iris$cluster <- as.factor(kmeans_result$cluster)

# Visualitzar els clústers
ggplot(iris, aes(x = Sepal.Length, y = Sepal.Width, color = cluster)) +
  geom_point() +
  labs(title = "K-means Clustering de Iris", x = "Longitud del Sèpal", y = "Amplada del Sèpal")

Exercici 2: Aplicar PCA a un Conjunt de Dades

Carrega el conjunt de dades mtcars disponible en R.
Aplica PCA per reduir les dades a 2 components principals.
Visualitza els resultats utilitzant un biplot.

Solució

# Carregar el conjunt de dades mtcars
data(mtcars)

# Aplicar PCA
pca_result <- prcomp(mtcars, scale. = TRUE)

# Visualitzar els resultats
summary(pca_result)
biplot(pca_result, main = "Biplot de PCA de mtcars")

Resum

En aquest mòdul, hem explorat els conceptes bàsics de l'aprenentatge no supervisat, incloent-hi els algorismes d'agrupament com K-means i l'agrupament jeràrquic, així com la reducció de dimensionalitat amb PCA. Hem vist exemples pràctics de com aplicar aquests algorismes en R i hem realitzat exercicis per reforçar els conceptes apresos. Amb aquestes eines, estàs preparat per descobrir patrons ocults en les teves dades sense etiquetar.

Aprenentatge No Supervisat

Objectius del Mòdul

Contingut

Conceptes Bàsics de l'Aprenentatge No Supervisat

Algorismes d'Agrupament (Clustering)

K-means Clustering

Exemple de K-means en R

Algorisme de Clúster Jeràrquic

Exemple de Clúster Jeràrquic en R

Reducció de Dimensionalitat

Anàlisi de Components Principals (PCA)

Exemple de PCA en R

Exercicis Pràctics

Exercici 1: Aplicar K-means a un Conjunt de Dades

Solució

Exercici 2: Aplicar PCA a un Conjunt de Dades

Solució

Resum

Programació en R: De Principiant a Avançat

Mòdul 1: Introducció a R

Mòdul 2: Manipulació de Dades

Mòdul 3: Visualització de Dades

Mòdul 4: Anàlisi Estadística

Mòdul 5: Gestió Avançada de Dades

Mòdul 6: Conceptes Avançats de Programació

Mòdul 7: Aprenentatge Automàtic amb R

Mòdul 8: Temes Especialitzats

Mòdul 9: Projecte i Estudis de Cas