ML No Supervisado
K-Means, clustering jerárquico, DBSCAN, PCA, t-SNE, UMAP, silhouette score, elbow method
1¿Cuál es la principal diferencia entre el aprendizaje supervisado y el no supervisado?
¿Cuál es la principal diferencia entre el aprendizaje supervisado y el no supervisado?
Respuesta
El aprendizaje no supervisado trabaja con datos no etiquetados, buscando descubrir estructuras o patrones ocultos sin una variable objetivo predefinida. A diferencia del supervisado que predice un valor conocido (label), el no supervisado explora los datos para encontrar grupos naturales, reducir la dimensionalidad o detectar anomalías. Algoritmos como K-Means, PCA o DBSCAN son ejemplos típicos de aprendizaje no supervisado.
2¿Cómo funciona el algoritmo K-Means para particionar datos?
¿Cómo funciona el algoritmo K-Means para particionar datos?
Respuesta
K-Means es un algoritmo iterativo que particiona los datos en K clusters. Inicializa K centroides aleatoriamente, luego alterna entre dos pasos: asignar cada punto al centroide más cercano (paso de asignación) y recalcular las posiciones de los centroides como la media de los puntos asignados (paso de actualización). El algoritmo converge cuando las asignaciones ya no cambian o después de un número máximo de iteraciones.
3¿Qué método utilizar para determinar el número óptimo de clusters K en K-Means?
¿Qué método utilizar para determinar el número óptimo de clusters K en K-Means?
Respuesta
El elbow method grafica la inercia (suma de distancias al cuadrado entre cada punto y su centroide) contra K. El punto donde la curva forma un codo indica el K óptimo, ya que más allá agregar clusters ya no mejora significativamente la inercia. Este método se complementa con el silhouette score para validar la calidad de los clusters.
¿Qué mide el silhouette score en el contexto del clustering?
¿Cuál es el rango de valores del silhouette score y cómo interpretar un score de 0.7?
+19 preguntas de entrevista
Otros temas de entrevista Data Science & ML
Fundamentos de Python
Programación Orientada a Objetos en Python
Estructuras de datos en Python
Fundamentos de Git
Fundamentos de SQL
Fundamentos de NumPy
Fundamentos de Pandas
Jupyter & Google Colab
SQL Joins y consultas avanzadas
Pandas avanzado
Visualización con Matplotlib & Seaborn
Visualizaciones interactivas con Plotly
Estadística descriptiva
Estadística inferencial
Web Scraping
BigQuery & Cloud Data
Feature Engineering
ML Supervisado: Regresión
ML Supervisado: Clasificación
Árboles de Decisión y Ensembles
Pipelines ML y Validación
Series Temporales y Pronóstico
Fundamentos de Deep Learning
TensorFlow & Keras
CNN y clasificación de imágenes
RNN y Secuencias
Transformers y Attention
NLP y Hugging Face
GenAI y LangChain
MLOps y Despliegue
Domina Data Science & ML para tu próxima entrevista
Accede a todas las preguntas, flashcards, tests técnicos, ejercicios de code review y simuladores de entrevista.
Empieza gratis