Comprender las bases teóricas del método de análisis de componentes principales con el objetivo de aplicarlo en programación y encontrar soluciones a los problemas de reducción de dimensión.
La cantidad de datos que se crean cada segundo está creciendo a un ritmo exponencial, representando uno de los recursos más valiosos en la actualidad. Por lo tanto, el objetivo principal del aprendizaje no supervisado es crear representaciones compactas de los datos detectando su estructura intrínseca y realizando el análisis exploratorio de datos. Por ende, resulta necesario formular el problema de la reducción de dimensionalidad, por lo que el análisis de componentes principales (ACP en español y PCA en inglés) representa un método espectral fundamental, así como la base de técnicas de reducción de dimensionalidad no lineal.
Los siguientes enlaces son externos a la Universidad Tecmilenio, al acceder a ellos considera que debes apegarte a sus términos y condiciones.
Para conocer más sobre los fundamentos matemáticos para el aprendizaje automático, te recomendamos leer:
Scikit-learn.org. (s.f.). Decomposing signals in components (matrix factorization problems). Recuperado de https://scikit-learn.org/stable/modules/decomposition.html#pca
Aplicar el análisis de componentes principales (ACP) para el análisis de datos utilizando el lenguaje de programación Python.
Utiliza la implementación del algoritmo de análisis de los componentes principales (ACP, PCA en inglés) visto durante el tema para realizar lo siguiente:
Asegúrate de: