Dopo aver seguito questi corsi, mi sento sicuro nel creare visualizzazioni e dashboard professionali
Shoebur RahmanSpecialista degli acquisti, Giz Bangladesh
Descrizione del corso
Probabilmente conosci Google News, che raggruppa automaticamente articoli simili sotto uno stesso argomento. Ti sei mai chiesto quale processo lavori in background per creare questi gruppi? In questo corso, conoscerai l'apprendimento non supervisionato tramite il clustering usando la libreria SciPy in Python. Il corso copre il pre-processing dei dati e l'applicazione del clustering gerarchico e k-means. Lungo il percorso, esplorerai le statistiche dei giocatori tratte da un popolare videogioco di calcio, FIFA 18. Al termine, saprai applicare rapidamente vari algoritmi di clustering ai dati, visualizzare i cluster formati e analizzare i risultati.
Prerequisiti
Programma
Struttura del corso
1
Introduzione al clustering
Prima di essere pronto a classificare articoli di notizie, è utile un'introduzione alle basi del clustering. Questo capitolo ti mette in confidenza con una classe di algoritmi di Machine Learning chiamata apprendimento non supervisionato e poi ti presenta il clustering, uno degli approcci più diffusi. Conoscerai due tecniche popolari di clustering: il clustering gerarchico e il clustering k-means. Il capitolo si chiude con i passaggi di pre-processing fondamentali prima di iniziare a eseguire il clustering sui dati.
- Machine Learning non supervisionato: nozioni di base50 XP
- Unsupervised learning nel mondo reale50 XP
- Avvistamenti di Pokémon100 XP
- Basi dell'analisi dei cluster50 XP
- Avvistamenti di Pokémon: clustering gerarchico100 XP
- Avvistamenti di Pokémon: clustering k-means100 XP
- Preparazione dei dati per l’analisi di clustering50 XP
- Normalizza semplici dati in lista100 XP
- Visualizza i dati normalizzati100 XP
- Normalizzazione di numeri piccoli100 XP
- FIFA 18: Normalizzare i dati100 XP
2
Clustering gerarchico
Questo capitolo è incentrato su un algoritmo di clustering molto diffuso, il clustering gerarchico, e sulla sua implementazione in SciPy. Oltre alla procedura per eseguirlo, prova ad aiutarti a rispondere a una domanda importante: quanti cluster sono presenti nei tuoi dati? Il capitolo si conclude con un confronto sui limiti del clustering gerarchico e con alcune considerazioni pratiche per il suo utilizzo.
3
Clustering k-means
Questo capitolo introduce un algoritmo di clustering diverso, il clustering k-means, e la sua implementazione in SciPy. Il clustering k-means supera il principale svantaggio del clustering gerarchico discusso nel capitolo precedente. Poiché i dendrogrammi sono specifici del clustering gerarchico, qui viene illustrato un metodo per individuare il numero di cluster prima di eseguire k-means. Il capitolo si conclude con una discussione sui limiti del clustering k-means e con considerazioni pratiche per l'uso di questo algoritmo.
4
Clustering nel mondo reale
Ora che conosci due tra le tecniche di clustering più usate, questo capitolo ti aiuta ad applicare le conoscenze a problemi reali. Si parte dal processo per trovare i colori dominanti in un'immagine, per poi passare al problema introdotto all'inizio: il clustering degli articoli di notizie. Il capitolo si chiude con una discussione sul clustering con variabili multiple, che rende più difficile visualizzare l'intero insieme di dati.
Analisi di cluster in Python
Corso
completato
