Nach diesen Kursen fühle ich mich sicher, professionelle Visualisierungen und Dashboards zu erstellen.
Shoebur RahmanBeschaffungsspezialist, Giz Bangladesh
Kursbeschreibung
Mischungsmodellierung ist eine Methode, um Populationen abzubilden, wenn uns ihre Heterogenität interessiert. Mischungsmodelle verwenden vertraute Wahrscheinlichkeitsverteilungen (z. B. Gauß, Poisson, Binomial), um einen praktischen und zugleich formalen statistischen Rahmen für Clustering und Klassifikation zu bieten. Anders als bei klassischen Clustering-Ansätzen können wir die Zugehörigkeitswahrscheinlichkeit zu einem Cluster schätzen und Aussagen über die Teilpopulationen treffen. Im Marketing möchtest du zum Beispiel verschiedene Kundengruppen clustern und deren jeweilige Kaufwahrscheinlichkeiten für bestimmte Produkte ermitteln, um sie gezielter mit individuellen Angeboten anzusprechen. Bei der Verarbeitung natürlicher Sprache auf einer großen Sammlung von Dokumenten möchtest du Dokumente zu Themen clustern und verstehen, wie wichtig jedes Thema in den einzelnen Dokumenten ist. In diesem Kurs lernst du, was Mischungsmodelle sind, wie sie geschätzt werden und wann ihr Einsatz sinnvoll ist!
Voraussetzungen
Lernprogramm
Kursübersicht
1
Einführung in Mischungsmodelle
In diesem Kapitel lernst du grundlegende Konzepte des modellbasierten Clusterings kennen und wie sich dieser Ansatz von anderen Clustering-Verfahren unterscheidet. Du erfährst den Generierungsprozess von Gaußschen Mischungsmodellen und wie du die Cluster visualisieren kannst.
- Einführung in modellbasiertes Clustering50 XP
- Clustering-Ansätze50 XP
- Geschlechtsdaten erkunden100 XP
- Normalverteilung50 XP
- Stichproben aus einer Gaußschen Verteilung100 XP
- (nicht so gute) Schätzungen von Mittelwert und Standardabweichung100 XP
- Gaussian-Mischungsmodelle (GMM)50 XP
- Simuliere eine Mischung aus zwei Gaußschen Verteilungen100 XP
- Histogramm einer Gaussian Mixture plotten100 XP
- Mischung aus drei Gaußschen Verteilungen100 XP
2
Struktur von Mischungsmodellen und Parameterschätzung
In diesem Kapitel lernst du die Grundstruktur von Mischungsmodellen kennen, wie du mit diesem Ansatz unterschiedliche Datentypen behandelst und wie die beteiligten Parameter geschätzt werden. Für die Schätzung lernst du ein iteratives Verfahren kennen: den Expectation-Maximization-Algorithmus.
3
Mischung von Gauß-Verteilungen mit `flexmix`
Dieses Kapitel zeigt, wie man Gaußsche Mischungsmodelle in 1 und 2 Dimensionen mit dem Paket `flexmix` anpasst. Die verwendeten Daten bestehen aus 10.000 Beobachtungen von Personen mit ihrem Gewicht, ihrer Körpergröße, ihrem Body-Mass-Index und dem angegebenen Geschlecht.
4
Mischungsmodelle jenseits von Gauß-Verteilungen
In diesem Modul lernst du, wie Mischungsmodelle auf Wahrscheinlichkeitsverteilungen jenseits der Gauß-Verteilung erweitert werden und wie diese Modelle mit `flexmix` angepasst werden. Die Datensätze sind Bilder handgeschriebener Ziffern und die Anzahl der Straftaten in der Stadt Chicago. Beim ersten Datensatz findest du Cluster, die die handgeschriebenen Ziffern zusammenfassen, und beim zweiten Datensatz findest du Cluster von Stadtteilen, in denen es mehr oder weniger gefährlich ist, zu leben.
R
Mischungsmodelle in R
Kurs
abgeschlossen
