After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Deskripsi Kursus
Misalkan Anda memiliki kumpulan pelanggan dengan beragam karakteristik seperti usia, lokasi, dan riwayat finansial, dan Anda ingin menemukan pola serta mengelompokkan mereka ke dalam klaster. Atau mungkin Anda memiliki sekumpulan teks, seperti halaman Wikipedia, dan ingin membaginya ke dalam kategori berdasarkan isinya. Inilah dunia unsupervised learning—disebut demikian karena Anda tidak membimbing, atau melakukan supervisi, terhadap penemuan pola melalui tugas prediksi tertentu, melainkan mengungkap struktur tersembunyi dari data tanpa label. Unsupervised learning mencakup berbagai teknik dalam Machine Learning, mulai dari pengelompokan (clustering) hingga reduksi dimensi dan faktorisasi matriks. Dalam kursus ini, Anda akan mempelajari dasar-dasar unsupervised learning dan mengimplementasikan algoritme penting menggunakan scikit-learn dan SciPy. Anda akan belajar cara mengelompokkan, mentransformasikan, memvisualisasikan, dan mengekstrak wawasan dari himpunan data tanpa label, serta menutup kursus dengan membangun sistem rekomendasi untuk merekomendasikan artis musik populer.Video dilengkapi transkrip langsung yang dapat Anda tampilkan dengan mengeklik "Show transcript" di kiri bawah video.
Glosarium kursus dapat ditemukan di sebelah kanan pada bagian sumber daya.Untuk memperoleh kredit CPE, Anda perlu menyelesaikan kursus dan meraih skor 70% pada asesmen yang memenuhi syarat. Anda dapat membuka asesmen dengan mengeklik pemberitahuan kredit CPE di sebelah kanan.
Prasyarat
Kurikulum
Garis besar kursus
1
Clustering untuk Eksplorasi Himpunan Data
Pelajari cara menemukan kelompok (atau "klaster") yang mendasari dalam sebuah himpunan data. Pada akhir bab ini, Anda akan mengelompokkan perusahaan menggunakan harga pasar sahamnya, dan membedakan berbagai spesies dengan mengelompokkan pengukuran mereka.
- Unsupervised Learning50 XP
- Ada berapa klaster?50 XP
- Melakukan klasterisasi titik 2D100 XP
- Periksa klastering Anda100 XP
- Mengevaluasi sebuah pengelompokan50 XP
- Berapa banyak klaster untuk biji-bijian?100 XP
- Mengevaluasi pengelompokan biji-bijian100 XP
- Mentransformasi fitur untuk pengelompokan yang lebih baik50 XP
- Menskalakan data ikan untuk klastering100 XP
- Mengelompokkan data ikan100 XP
- Mengelompokkan saham menggunakan KMeans100 XP
- Saham mana yang bergerak bersama?100 XP
2
Visualisasi dengan Hierarchical Clustering dan t-SNE
Pada bab ini, Anda akan mempelajari dua teknik unsupervised learning untuk visualisasi data: hierarchical clustering dan t-SNE. Hierarchical clustering menggabungkan sampel data menjadi klaster yang makin besar, menghasilkan visualisasi pohon dari hierarki klaster yang terbentuk. t-SNE memetakan sampel data ke ruang 2D sehingga kedekatan antar sampel dapat divisualisasikan.
3
Dekorelasi Data Anda dan Reduksi Dimensi
Reduksi dimensi merangkum sebuah himpunan data menggunakan pola yang sering muncul. Pada bab ini, Anda akan mempelajari teknik reduksi dimensi paling mendasar, "Principal Component Analysis" ("PCA"). PCA sering digunakan sebelum supervised learning untuk meningkatkan kinerja dan generalisasi model. PCA juga bermanfaat untuk unsupervised learning. Misalnya, Anda akan menggunakan varian PCA yang memungkinkan Anda mengelompokkan artikel Wikipedia berdasarkan isinya!
4
Menemukan Fitur yang Dapat Diinterpretasikan
Pada bab ini, Anda akan mempelajari teknik reduksi dimensi bernama "Non-negative matrix factorization" ("NMF") yang mengekspresikan sampel sebagai kombinasi bagian-bagian yang dapat diinterpretasikan. Misalnya, teknik ini mengekspresikan dokumen sebagai kombinasi topik, dan gambar sebagai pola visual yang sering muncul. Anda juga akan belajar menggunakan NMF untuk membangun sistem rekomendasi yang dapat menemukan artikel serupa untuk dibaca, atau artis musik yang sesuai dengan riwayat mendengarkan Anda!
Unsupervised Learning in Python
Kursus
Selesai
