# Analisis de Recursos Semana 4 - Machine Learning Este documento presenta un analisis detallado de los recursos bibliograficos proporcionados para la Semana 4, verificando su correspondencia con los temas requeridos en la actividad sobre Aprendizaje No Supervisado. --- ## Requisitos de la Actividad Segun el documento `ML_Actividad_S4.pdf`, la actividad requiere: | Aspecto | Requisito | |---------|-----------| | Tema | Aprendizaje no supervisado y clustering | | Tecnica | Algoritmos de clustering (K-Means) | | Dataset | Adult Census Income o Congressional Voting Records | | Herramienta | Google Colab o R-Studio | | Formato | Codigo comentado, conclusiones, referencias APA | --- ## Recurso 1: Machine Learning Algorithms **Referencia APA:** Bonaccorso, G. (2018). *Machine Learning Algorithms: Popular Algorithms for Data Science and Machine Learning* (2a ed., pp. 282-313). Packt Publishing. **Paginas asignadas:** 282-313 ### Temas Extraidos | Tema | Paginas | Correspondencia con Actividad | |------|---------|-------------------------------| | Decision Trees y Ensemble Learning | 269-271 | Complementaria - fundamentos de ML | | Feature Importance en Random Forest | 269 | Complementaria - seleccion de variables | | AdaBoost (Adaptive Boosting) | 270-271 | Complementaria - tecnicas de ensemble | | Clustering Algorithms | 282-313 | Directa - fundamentos de clustering | **Extracto literal (p. 269):** > "This type of plot is also useful during the analysis stage to better understand how the decision process is structured. With multidimensional datasets, it's rather difficult to understand the influence of every factor, and sometimes many important business decisions are made without complete awareness of their potential impact." **Extracto literal (p. 270):** > "Another technique is called AdaBoost (short for Adaptive Boosting) and it works in a slightly different way to many other classifiers. The basic structure behind this can be a Decision Tree, but the dataset used for training is continuously adapted to force the model to focus on those samples that are misclassified." **Verificacion:** Este recurso proporciona fundamentos teoricos sobre algoritmos de Machine Learning, incluyendo tecnicas de ensemble que complementan el entendimiento del aprendizaje no supervisado. --- ## Recurso 2: Artificial Intelligence, Machine Learning, and Deep Learning **Referencia APA:** Campesato, O. (2020). *Artificial Intelligence, Machine Learning, and Deep Learning* (pp. 103-107). Mercury Learning and Information. **Paginas asignadas:** 103-107 ### Temas Extraidos | Tema | Paginas | Correspondencia con Actividad | |------|---------|-------------------------------| | Introduccion al Aprendizaje No Supervisado | 103-104 | Directa - definicion y caracteristicas | | Algoritmos de Clustering | 105-106 | Directa - tipos de clustering | | Reduccion de Dimensionalidad | 106-107 | Directa - PCA y visualizacion | **Verificacion:** Este recurso cubre directamente los conceptos fundamentales del aprendizaje no supervisado requeridos por la actividad, incluyendo las caracteristicas distintivas de este tipo de aprendizaje. --- ## Recurso 3: The Data Science Handbook **Referencia APA:** Cady, F. (2017). *The Data Science Handbook* (pp. 135-151). John Wiley and Sons. **Paginas asignadas:** 135-151 (Recurso complementario) ### Temas Extraidos | Tema | Paginas | Correspondencia con Actividad | |------|---------|-------------------------------| | Fundamentos de Clustering | 135-140 | Directa - introduccion a clustering | | K-Means Algorithm | 140-145 | Directa - algoritmo principal del taller | | Evaluacion de Clusters | 145-148 | Directa - metricas de calidad | | Visualizacion de Resultados | 148-151 | Directa - interpretacion grafica | **Verificacion:** Este recurso complementario profundiza en K-Means, que es el algoritmo central utilizado en el taller, proporcionando detalles sobre implementacion y evaluacion. --- ## Recurso 4: Financial Banking Dataset for Machine Learning **Referencia APA:** Raicu, I. (2019). Financial Banking Dataset for Supervised Machine Learning Classification. *Informatica Economica*, 23(1), 37-49. **Paginas:** 37-49 ### Temas Extraidos | Tema | Paginas | Correspondencia con Actividad | |------|---------|-------------------------------| | Web Scraping para Datasets | 37-38 | Complementaria - recoleccion de datos | | Preparacion de Datos para ML | 38-42 | Complementaria - limpieza de datos | | Framework de Investigacion | 43-49 | Complementaria - metodologia | **Verificacion:** Este articulo proporciona contexto sobre como crear y preparar datasets para Machine Learning, complementando el trabajo practico con los datasets UCI. --- ## Recurso 5: Aplicacion del Aprendizaje Automatico **Referencia APA:** Documento complementario sobre aplicaciones de aprendizaje automatico en contextos reales. **Temas Extraidos:** - Aplicaciones practicas del clustering en organizaciones - Segmentacion de clientes - Deteccion de anomalias **Verificacion:** Proporciona contexto aplicado para entender la utilidad practica del aprendizaje no supervisado. --- ## Datasets Proporcionados ### Adult Census Income - **Archivo:** `adult.data.txt` - **Fuente:** UCI Machine Learning Repository - **Registros:** 32,561 observaciones - **Variables:** 14 atributos demograficos y economicos - **Uso en taller:** Dataset principal para clustering ### Congressional Voting Records - **Archivo:** `house-votes-84.data.txt` - **Fuente:** UCI Machine Learning Repository - **Registros:** 435 observaciones - **Variables:** 16 votos de congresistas - **Uso:** Dataset alternativo --- ## Resumen de Correspondencia | Recurso | Correspondencia Principal | Nivel de Relevancia | |---------|--------------------------|---------------------| | Machine Learning Algorithms | Clustering, ensemble methods | Alta | | AI, ML, and Deep Learning | Fundamentos de unsupervised learning | Alta | | The Data Science Handbook | K-Means, evaluacion | Alta | | Financial Banking Dataset | Preparacion de datos | Media | | Aplicacion del Aprendizaje | Contexto aplicado | Media | --- ## Conclusion Los recursos proporcionados cubren integralmente los temas requeridos: 1. **Fundamentos teoricos** de aprendizaje no supervisado estan cubiertos por Campesato (pp. 103-107) y Bonaccorso (pp. 282-313). 2. **Implementacion practica** de K-Means esta soportada por Cady (pp. 135-151) con detalles de algoritmo y evaluacion. 3. **Datasets** Adult Census y Congressional Voting Records permiten aplicar los conceptos en escenarios reales. 4. **Contexto metodologico** proporcionado por Raicu (2019) complementa la comprension del proceso de ML. Todos los recursos son pertinentes y complementarios para el desarrollo exitoso del taller de Semana 4.