Modelos de mezclas Gaussianas como clasificadores en el contexto de machine learning

Másmela Caita, Luis AlejandroMartinez Castillo, Daniel Stiven2023-12-132023-12-132022-07-05http://hdl.handle.net/11349/33093En este documento se hace un estudio de los modelos de mezclas gaussianas. Específicamente, se realiza un análisis de su estructura matemática, su interpretación y uno de los procedimientos clásicos de estimación de sus parámetros, se trata del algoritmo Esperanza-Maximización conocido en la literatura por sus siglas como algoritmo EM. Se ilustra la teoría presentada a través del uso del conjunto de datos "Rice_MSC_Dataset", para esto se implementa el paquete "mclust" en el software R.In this document I study of Gaussian mixture models. Specifically, an analysis of its mathematical structure, its interpretation and a classic method of estimating its parameters, the Expectation-Maximization algorithm known in the literature by its acronym as EM algorithm. The theory presented is illustrated through the use of the data set "Rice_MSC_Dataset", for this, the "mclust" package is implemented in the R software.pdfspaAttribution-NonCommercial-NoDerivatives 4.0 InternacionalAttribution-NonCommercial-NoDerivatives 4.0 Internacionalhttp://creativecommons.org/licenses/by-nc-nd/4.0/MezclasProbabilidadMachineLearningModelos de mezclas Gaussianas como clasificadores en el contexto de machine learningbachelorThesisMatemáticas -- Tesis y disertaciones académicasR (Lenguaje de programación para computadores)Aprendizaje automático (Inteligencia artificial)Análisis matemáticoEstadísticaProbabilidadOpenAccessGaussian mixture models as classifiers in the machine learning contextMixtureProbabilityMachineLearningAbierto (Texto Completo)