16 Detección de Anormalidades: Gráficos de Control

20 Perceptrón: El origen

Presentamos el perceptrón como el componente básico y fundamental para la construcción de redes neuronales y posteriormente Deep Learning.

19 ICA: Análisis de Componentes Independientes

Discutimos Análisis de Componentes Independientes como una de las técnicas más populares para separar señales mezcladas. Esta técnica tiene aplicaciones importantes en el procesamiento de audio, video, EEG y en la mayoría de set de datos que presentan una alta correlación.

18 PCA: Análisis de Componentes Principales

Discutimos Análisis de Componentes Principales como una de las técnicas más populares para reducir las dimensiones de nuestro set de datos. Está técnica nos ayuda a ser más eficientes en el número de variables que alimentamos a nuestro modelo.

17 Detección de Anormalidades: Clustering

En esta ocasión presentamos 3 técnicas de clustering que nos ayudarán a detectar anormalidades: DBSCAN, Gaussian Mixture Models y K-means. Estos 3 algoritmos son de los mas populares y básicos, a partir de ellos se han podido desarrollar nuevas versiones que resuelven algunas desventajas inicialmente detectadas en su implementación.

16 Detección de Anormalidades: Gráficos de Control

La detección de anormalidades no es algo reciente, hay técnicas que han existido por décadas. Los gráficos de control son herramientas que tienen una sólida base matemática y estadística en la cual monitorean como un proceso cambia en el tiempo. Los...