Name: Python में Unsupervised Learning
Rating: 4.83362676056338 (1136 reviews)

कोर्स विवरण

मान लीजिए आपके पास ग्राहकों का एक संग्रह है जिनके गुण अलग-अलग हैं, जैसे आयु, स्थान, और वित्तीय इतिहास, और आप इनमें पैटर्न ढूँढकर इन्हें क्लस्टर में बाँटना चाहते हैं। या फिर आपके पास Wikipedia पेज जैसे टेक्स्ट हैं और आप उनकी सामग्री के आधार पर उन्हें श्रेणियों में विभाजित करना चाहते हैं। यही अनसुपरवाइज़्ड लर्निंग की दुनिया है — इसे इसलिए कहा जाता है क्योंकि आप किसी भविष्यवाणी कार्य से पैटर्न खोज को निर्देशित या सुपरवाइज़ नहीं करते, बल्कि बिना लेबल वाले डेटा से छिपी संरचना खोजते हैं। अनसुपरवाइज़्ड लर्निंग में मशीन लर्निंग की कई तकनीकें आती हैं, जैसे क्लस्टरिंग, डायमेंशन रिडक्शन और मैट्रिक्स फैक्टराइज़ेशन। इस कोर्स में, आप अनसुपरवाइज़्ड लर्निंग की बुनियाद सीखेंगे और scikit-learn और SciPy का उपयोग करके ज़रूरी एल्गोरिदम इम्प्लीमेंट करेंगे। आप बिना लेबल वाले डेटासेट्स को क्लस्टर, ट्रांसफॉर्म, विज़ुअलाइज़ करना और उनसे इनसाइट्स निकालना सीखेंगे, और अंत में एक रिकमेंडर सिस्टम बनाएँगे जो लोकप्रिय म्यूज़िकल आर्टिस्ट्स की सिफारिश करेगा।वीडियो में लाइव ट्रांसक्रिप्ट उपलब्ध हैं जिन्हें आप वीडियो के नीचे बाएँ कोने में "Show transcript" पर क्लिक करके देख सकते हैं. कोर्स का ग्लॉसरी दाएँ तरफ़ रिसोर्सेज़ सेक्शन में मिल जाएगा.CPE क्रेडिट पाने के लिए आपको कोर्स पूरा करना है और क्वालिफ़ाइड असेसमेंट में 70% स्कोर हासिल करना है। आप दाईं ओर CPE क्रेडिट्स कॉलआउट पर क्लिक करके असेसमेंट तक पहुँच सकते हैं.

पूर्वापेक्षाएँ

Supervised Learning with scikit-learn

पाठ्यक्रम

कोर्स रूपरेखा

डेटासेट एक्सप्लोरेशन के लिए क्लस्टरिंग

सीखिए कि किसी डेटासेट में छिपे हुए समूह (या "क्लस्टर्स") कैसे खोजे जाते हैं। इस अध्याय के अंत तक, आप कंपनियों को उनके स्टॉक प्राइसेज़ के आधार पर क्लस्टर करेंगे, और मापों को क्लस्टर करके विभिन्न प्रजातियों में अंतर पहचानेंगे.

अध्याय शुरू करें

हायरार्किकल क्लस्टरिंग और t-SNE के साथ विज़ुअलाइज़ेशन

इस अध्याय में, आप डेटा विज़ुअलाइज़ेशन के लिए दो अनसुपरवाइज़्ड लर्निंग तकनीकों के बारे में सीखेंगे: हायरार्किकल क्लस्टरिंग और t-SNE। हायरार्किकल क्लस्टरिंग डेटा सैंपल्स को क्रमशः बड़े क्लस्टर्स में मर्ज करती है, जिससे प्राप्त क्लस्टर हायरार्की का एक ट्री विज़ुअलाइज़ेशन मिलता है। t-SNE डेटा सैंपल्स को 2D स्पेस में मैप करता है ताकि सैंपल्स की आपसी नज़दीकी को विज़ुअलाइज़ किया जा सके.

अध्याय शुरू करें

अपने डेटा को डी-कोरिलेट करना और डायमेंशन रिडक्शन

डायमेंशन रिडक्शन किसी डेटासेट को उसके बार-बार आने वाले पैटर्न्स से संक्षेपित करता है। इस अध्याय में, आप डायमेंशन रिडक्शन की सबसे बुनियादी तकनीक "Principal Component Analysis" ("PCA") के बारे में सीखेंगे। PCA को अक्सर सुपरवाइज़्ड लर्निंग से पहले मॉडल के प्रदर्शन और जनरलाइज़ेशन सुधारने के लिए उपयोग किया जाता है। यह अनसुपरवाइज़्ड लर्निंग में भी उपयोगी हो सकता है। उदाहरण के लिए, आप PCA के एक वैरिएंट का उपयोग करेंगे जो आपको Wikipedia आर्टिकल्स को उनकी सामग्री के आधार पर क्लस्टर करने देगा!

अध्याय शुरू करें

इंटरप्रिटेबल फीचर्स की खोज

इस अध्याय में, आप "Non-negative matrix factorization" ("NMF") नाम की डायमेंशन रिडक्शन तकनीक के बारे में जानेंगे जो सैंपल्स को इंटरप्रिटेबल पार्ट्स के संयोजन के रूप में व्यक्त करती है। उदाहरण के लिए, यह डॉक्यूमेंट्स को टॉपिक्स के संयोजन के रूप में, और इमेजेज़ को आम तौर पर आने वाले विज़ुअल पैटर्न्स के रूप में व्यक्त करती है। आप NMF का इस्तेमाल करके रिकमेंडर सिस्टम बनाना भी सीखेंगे जो आपको पढ़ने के लिए मिलते-जुलते आर्टिकल्स, या आपकी लिसनिंग हिस्ट्री से मेल खाने वाले म्यूज़िकल आर्टिस्ट्स सुझा सके!