La ciencia de datos es un campo interdisciplinar que utiliza métodos, algoritmos, procesos y sistemas para extraer conocimiento y conclusiones a partir de todo tipo de datos. A través del aprendizaje automático se combinan elementos de estadística, informática, matemáticas y técnicas de análisis para resolver problemas, hacer predicciones y generar valor a partir de los datos. Se apoya en grandes volúmenes de datos (Big Data) para descubrir patrones, tendencias y relaciones que pueden ser utilizadas para la toma de decisiones. El aprendizaje automático utiliza dos tipos de técnicas: el aprendizaje supervisado, que entrena a un modelo con datos conocidos de entrada y salida para que pueda predecir resultados futuros, y el aprendizaje no supervisado, que encuentra patrones ocultos o estructuras intrínsecas en los datos de entrada. Este libro desarrolla la mayoría de las técnicas de aprendizaje no supervisado. Comienza profundizando en las técnicas de reducción de la dimensión, como el análisis de componentes principales y el análisis factorial cuya finalidad es eliminar los efectos nocivos de la correlación en los análisis con variables cuantitativas. A continuación, se trata el análisis de correspondencias simples y múltiples para relacionar entre sí variables categóricas. Los capítulos siguientes se centran en la clasificación y segmentación mediante análisis clúster, teniendo en cuenta las técnicas jerárquicas y no jerárquicas. Se hace hincapié en la utilidad de la reducción de la dimensión previa a la segmentación. A continuación, se aborda la segmentación a través del escalamiento multidimensional, utilizando escalamiento métrico y no métrico y destacando su utilidad en el análisis de las preferencias y en el posicionamiento geográfico, muy útil en la logística. Finalmente se desarrollan temas avanzados como el análisis clúster a través de redes neuronales adecuadas para ello. En primer lugar, se tiene en cuenta las redes de mapas organizativos (SOM) como la red de Kohonen y a continuación se utilizan las redes neuronales Autoencoders o autocodificadores, que son herramientas habituales en el desarrollo del Deep Learning o aprendizaje profundo. Otro tema avanzado que también se desarrolla en este libro es el reconocimiento de patrones a través de redes neuronales como la red de Hopfield y las redes neuronales convolucionales (CNN) para el tratamiento de imágenes. También se trata la detección de anomalías. Para todos los temas se presentan los conceptos metodológicos ilustrados con ejemplos y ejercicios resueltos en Python.