Generación de matrices de disimilitud artificiales y su evaluación con técnicas de clustering

Ponente(s): Luis David Dávila Torres

El enfoque principal de la plática es proporcionar una evaluación detallada y comparativa de diferentes métodos de agrupamiento centrados en técnicas de aprendizaje no supervisado, utilizando matrices de disimilitud creadas a partir de datos generados de un modelo de mezcla gaussiana. Se espera que los resultados contribuyan a la comprensión de qué técnicas son más efectivas en diferentes escenarios y promuevan avances en el campo del clustering de datos. Además, se explicará el algoritmo que nos ayuda a generar estas matrices de disimilitud, las cuales deben cumplir ciertos requisitos y mantener una estructura de agrupamiento con diferentes niveles de solapamiento, dimensiones y elementos.