Aprendizaje no Supervisado en ML

UNIDAD DIDÁCTICA 1. INTRODUCCIÓN AL APRENDIZAJE NO SUPERVISADO Fundamentos del aprendizaje automático y diferencias con el aprendizaje supervisado Objetivos, principios y características del aprendizaje no supervisado Aplicaciones en industria, ciencia y ámbitos tecnológicos emergentes Ventajas, limitaciones y retos operativos del aprendizaje no supervisado UNIDAD DIDÁCTICA 2. PREPROCESAMIENTO DE DATOS PARA MODELOS NO SUPERVISADOS Normalización, estandarización y tratamiento de datos faltantes Codificación de variables y preparación estructural de datasets Selección de características y reducción de dimensionalidad básica Buenas prácticas de preprocesamiento para algoritmos no supervisados UNIDAD DIDÁCTICA 3. CLUSTERING: FUNDAMENTOS Y K-MEANS Conceptos esenciales del clustering: distancias, centroides y estructura Funcionamiento interno del algoritmo K-Means Selección del número óptimo de clusters Condiciones de éxito, limitaciones y escenarios donde falla K-Means UNIDAD DIDÁCTICA 4. MÉTODOS DE CLUSTERING AVANZADOS DBSCAN: densidad, epsilon, min_samples y casos de uso Clustering jerárquico y Mean Shift: principios y ventajas Comparativa con K-Means y selección adecuada de parámetros Visualización, interpretación y aplicaciones profesionales UNIDAD DIDÁCTICA 5. REDUCCIÓN DE DIMENSIONALIDAD: PCA Y TÉCNICAS RELACIONADAS Fundamentos de reducción de dimensionalidad y pérdida mínima de información PCA: descomposición, componentes principales y visualización t-SNE y UMAP: estructuras no lineales y representación de alta dimensión Aplicación de estas técnicas para análisis y mejora de modelos no supervisados UNIDAD DIDÁCTICA 6. MODELOS GENERATIVOS Y AUTOENCODERS Conceptos clave de modelos generativos en aprendizaje no supervisado Autoencoders: arquitectura, entrenamiento y variantes Aplicaciones profesionales: compresión, reconstrucción y anomalías Generación de datos sintéticos y usos en industrias reguladas UNIDAD DIDÁCTICA 7. DETECCIÓN DE ANOMALÍAS Tipologías de anomalías y relevancia en entornos críticos Métodos basados en clustering, distancia y densidad Autoencoders y enfoques estadísticos para anomalías Aplicaciones en ciberseguridad, finanzas y mantenimiento predictivo UNIDAD DIDÁCTICA 8. EVALUACIÓN DE MODELOS NO SUPERVISADOS Retos de evaluación sin etiquetas y enfoques internos Métricas principales: Silhouette, Davies-Bouldin y otras Evaluación indirecta, validación cruzada y benchmarking Interpretación profesional y toma de decisiones basada en modelos no supervisados Errores profesionales comunes en proyectos no supervisados y sus consecuencias reales UNIDAD DIDÁCTICA 9. APLICACIONES PRÁCTICAS Y PROYECTOS FINALES Proyecto final tipo consultoría