Objetivo

Conocer las bases teóricas del método de análisis de componentes independientes para comprender el funcionamiento de su algoritmo e implementarlo con el fin de solucionar un problema y comprobar su efectividad.

Descripción

Los datos multivariados son comunes en el mundo real, por ejemplo, los escáneres cerebrales EEG miden la actividad neuronal en varias partes del cerebro o los precios de las acciones que cambian constantemente. Por ende, el análisis de componentes independientes (ICA por sus siglas en inglés) resulta efectivo para ofrecer una solución.

Haz clic para revisar la explicación.

Análisis de componentes

Revisa la siguiente lectura:

Para conocer más sobre los fundamentos matemáticos para el aprendizaje automático, te recomendamos leer:

Tharwat, A. (2021). Independent component analysis: An introduction. Recuperado de https://www.emerald.com/insight/content/doi/10.1016/j.aci.2018.08.006/full/html

Objetivo

Aplicar el análisis de componentes sobre datos utilizando el lenguaje de programación Python.

Instrucciones

1. Inicia un entorno de trabajo en Google Colaboratory (https://colab.research.google.com/) y crea un nuevo cuaderno en lenguaje Python.
2. Investiga cómo elaborar un programa que genere una señal cuadrada periódica con un total de 2000 muestras (como el ejemplo visto durante el tema).
3. Mezcla la señal cuadrada con alguna vista en clase (sinusoidal o cosenoidal).
4. Posteriormente, aplica el algoritmo FastICA y estima las fuentes originales, desplegando los resultados.

Checklist

Asegúrate de:

• Realiza un programa en Python que genera una señal cuadrada periódica.
• Mezcla la señal cuadrada con otro tipo de señal.
• Aplica el algoritmo FastICA para estimar cada fuente y despliega los resultados.