# ML No Supervisado (Data Science & ML) > K-Means, clustering jerárquico, DBSCAN, PCA, t-SNE, UMAP, silhouette score, elbow method - 22 preguntas de entrevista - Mid-Level - [Preguntas de entrevista: Data Science & ML](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista.md) ## 1. ¿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? **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? **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. ## 19 preguntas más disponibles - ¿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? Regístrate gratis: https://sharpskill.dev/es/login ## Otros temas de entrevista Data Science & ML - [Fundamentos de Python](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/python-basics.md): 25 preguntas, Junior - [Programación Orientada a Objetos en Python](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/python-oop.md): 20 preguntas, Junior - [Estructuras de datos en Python](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/python-data-structures.md): 20 preguntas, Junior - [Fundamentos de Git](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/git-fundamentals.md): 18 preguntas, Junior - [Fundamentos de SQL](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/sql-basics.md): 20 preguntas, Junior - [Fundamentos de NumPy](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/numpy-fundamentals.md): 22 preguntas, Junior - [Fundamentos de Pandas](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/pandas-basics.md): 22 preguntas, Junior - [Jupyter & Google Colab](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/jupyter-colab.md): 16 preguntas, Junior - [SQL Joins y consultas avanzadas](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/sql-joins-advanced.md): 22 preguntas, Mid-Level - [Pandas avanzado](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/pandas-advanced.md): 24 preguntas, Mid-Level - [Visualización con Matplotlib & Seaborn](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/matplotlib-seaborn.md): 20 preguntas, Mid-Level - [Visualizaciones interactivas con Plotly](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/plotly-interactive.md): 18 preguntas, Mid-Level - [Estadística descriptiva](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/statistics-descriptive.md): 20 preguntas, Mid-Level - [Estadística inferencial](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/statistics-inferential.md): 24 preguntas, Mid-Level - [Web Scraping](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/web-scraping.md): 18 preguntas, Mid-Level - [BigQuery & Cloud Data](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/bigquery-cloud.md): 18 preguntas, Mid-Level - [Feature Engineering](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/feature-engineering.md): 22 preguntas, Mid-Level - [ML Supervisado: Regresión](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/ml-supervised-regression.md): 24 preguntas, Mid-Level - [ML Supervisado: Clasificación](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/ml-supervised-classification.md): 24 preguntas, Mid-Level - [Árboles de Decisión y Ensembles](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/ml-trees-ensembles.md): 24 preguntas, Mid-Level - [Pipelines ML y Validación](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/ml-pipelines-validation.md): 22 preguntas, Mid-Level - [Series Temporales y Pronóstico](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/time-series-forecasting.md): 22 preguntas, Mid-Level - [Fundamentos de Deep Learning](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/deep-learning-fundamentals.md): 24 preguntas, Senior - [TensorFlow & Keras](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/tensorflow-keras.md): 22 preguntas, Senior - [CNN y clasificación de imágenes](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/cnn-image-classification.md): 24 preguntas, Senior - [RNN y Secuencias](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/rnn-sequences.md): 22 preguntas, Senior - [Transformers y Attention](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/transformers-attention.md): 24 preguntas, Senior - [NLP y Hugging Face](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/nlp-huggingface.md): 24 preguntas, Senior - [GenAI y LangChain](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/genai-langchain.md): 24 preguntas, Senior - [MLOps y Despliegue](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/mlops-deployment.md): 24 preguntas, Senior --- Source: SharpSkill (https://sharpskill.dev), tech interview preparation for your real stack. HTML version of this page: https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/ml-unsupervised