Estado: contenido pendiente (Fase 5 de
../PLAN.md). Este README es el índice planeado; los archivos se irán creando en esa fase.
Objetivos
Al finalizar el módulo, el estudiante será capaz de descubrir estructura en datos sin etiquetas mediante clustering y reducción de dimensionalidad, validar los grupos obtenidos, y comprender los fundamentos de una red neuronal —arquitectura, retropropagación y entrenamiento— con criterio para decidir cuándo un problema tabular no necesita deep learning.
Contenidos
✅ Núcleo
- S12 — Clustering particional: K-Means y K-Means++. Clustering jerárquico aglomerativo y dendrograma. Clustering por densidad: DBSCAN.
- S12 — Validación de clusters: método del codo, coeficiente de silueta, índice de Davies-Bouldin. Cómo elegir .
- S12 — Reducción de dimensionalidad: PCA (varianza explicada, cargas, scree plot) y t-SNE.
- S13 — Perceptrón y perceptrón multicapa (MLP). Funciones de activación.
- S13 — Retropropagación: la regla de la cadena de S3 aplicada a una red.
- S13 — Entrenamiento en PyTorch: optimizadores, batches, early stopping, dropout.
- S13 — Cuándo no usar deep learning: comparación honesta contra los ensambles de S11 en datos tabulares.
🔵 Opcional
- UMAP como alternativa moderna a t-SNE.
- Detección de anomalías (Isolation Forest, DBSCAN como detector de ruido).
- Vistazo a redes convolucionales (CNN) y transfer learning.
Materiales
Teoría
| # | Documento | Sesión | Tema | Estado |
|---|---|---|---|---|
| 01 | teoria/01-clustering.md | S12 | K-Means, jerárquico, DBSCAN; supuestos de cada uno | ⬜ |
| 02 | teoria/02-validacion-clusters.md | S12 | Codo, silueta, Davies-Bouldin; interpretación de grupos | ⬜ |
| 03 | teoria/03-reduccion-dimensionalidad.md | S12 | PCA (a partir del SVD de S3), t-SNE, UMAP | ⬜ |
| 04 | teoria/04-redes-neuronales.md | S13 | Perceptrón, MLP, activaciones, retropropagación | ⬜ |
| 05 | teoria/05-entrenamiento-y-limites.md | S13 | Optimizadores, regularización, cuándo no usar DL | ⬜ |
Notebooks
| # | Notebook | Tipo | Contenido | Estado |
|---|---|---|---|---|
| 01 | notebooks/01-clustering-intuicion.ipynb | intuición | K-Means implementado a mano; comparación de los tres algoritmos | ⬜ |
| 02 | notebooks/02-clustering-aplicado.ipynb | aplicado | Segmentación real: elección de , validación e interpretación | ⬜ |
| 03 | notebooks/03-pca-tsne-intuicion.ipynb | intuición | PCA paso a paso desde la matriz de covarianza; t-SNE comparado | ⬜ |
| 04 | notebooks/04-mlp-intuicion.ipynb | intuición | Retropropagación a mano en NumPy sobre una red mínima | ⬜ |
| 05 | notebooks/05-mlp-pytorch-aplicado.ipynb | aplicado | MLP en PyTorch vs. Gradient Boosting sobre datos tabulares | ⬜ |
Datos
| Archivo | Descripción | Variables | Estado |
|---|---|---|---|
| — | Dataset conductor del módulo, pendiente de elegir | — | ⬜ |
Ejercicios
| # | Enunciado | Solución | Estado |
|---|---|---|---|
| 01 | ejercicios/ej01-clustering.md | ej01-clustering-sol.md | ⬜ |
| 02 | ejercicios/ej02-pca.md | ej02-pca-sol.md | ⬜ |
| 03 | ejercicios/ej03-mlp.md | ej03-mlp-sol.md | ⬜ |
Quiz
| Archivo | Clave | Estado |
|---|---|---|
quiz/quiz-modulo-5.md | quiz/quiz-modulo-5-sol.md | ⬜ |
Entrega del proyecto integrador
E5 — Exploración no supervisada. Segmentación del caso (o variante con MLP) y qué aporta
al problema original. Ver ../proyecto-integrador/.
Nota sobre el alcance de S13. Esta sesión es un puente hacia el curso especializado de Deep Learning del programa. Da el fundamento (arquitectura, retropropagación, entrenamiento) y el criterio para decidir cuándo usarlo, no una cobertura completa del área.
Los notebooks se ejecutan de principio a fin con el entorno de
../environment.yml. Reglas de estilo en../docs/convenciones.md.