After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Descrizione del corso
La modellazione a mixture è un modo per rappresentare popolazioni quando ci interessa la loro eterogeneità. I modelli di mixture usano distribuzioni di probabilità note (ad es. Gaussiana, Poisson, Binomiale) per offrire un quadro statistico comodo ma formale per il clustering e la classificazione. Diversamente dagli approcci di clustering standard, possiamo stimare la probabilità di appartenenza a un cluster e fare inferenze sulle sotto-popolazioni. Ad esempio, in ambito marketing, potresti voler raggruppare diversi segmenti di clienti e stimare le rispettive probabilità di acquisto di prodotti specifici, così da indirizzarli meglio con promozioni personalizzate. Applicando il natural language processing a un ampio insieme di documenti, potresti voler raggruppare i testi in argomenti diversi e capire quanto ciascun argomento sia rilevante in ogni documento. In questo corso imparerai cosa sono i modelli di mixture, come si stimano e quando è appropriato applicarli!
Prerequisiti
Curriculum
Programma del corso
1
Introduzione ai modelli di Mixture
In questo capitolo ti verranno presentati i concetti fondamentali del clustering basato su modelli e in cosa questo approccio differisce da altre tecniche di clustering. Imparerai il processo generativo dei Gaussian Mixture Models e come visualizzare i cluster.
- Introduzione al clustering basato su modelli50 XP
- Approcci al clustering50 XP
- Esplora i dati sul genere100 XP
- Distribuzione gaussiana50 XP
- Campionare da una distribuzione Gaussiana100 XP
- Stime (non proprio ottime) della media e della deviazione standard100 XP
- Gaussian Mixture Models (GMM)50 XP
- Simula un mix di due distribuzioni gaussiane100 XP
- Rappresenta l'istogramma di una Gaussian Mixture100 XP
- Miscela di tre distribuzioni gaussiane100 XP
2
Struttura dei modelli di Mixture e stima dei parametri
In questo capitolo vedrai la struttura principale dei modelli di Mixture, come affrontare dati diversi con questo approccio e come stimare i parametri coinvolti. Per effettuare la stima, imparerai un metodo iterativo chiamato algoritmo di Expectation-Maximization.
3
Mixture di Gaussiane con `flexmix`
Questo capitolo mostra come adattare Gaussian Mixture Models in 1 e 2 dimensioni con il pacchetto `flexmix`. I dati utilizzati sono composti da 10.000 osservazioni di persone con peso, altezza, indice di massa corporea e genere dichiarato.
4
Modelli di Mixture oltre le Gaussiane
In questo modulo imparerai come i modelli di Mixture si estendono a considerare distribuzioni di probabilità diverse dalla Gaussiana e come questi modelli vengono adattati con `flexmix`. I dataset usati sono immagini di cifre scritte a mano e il numero di crimini nella città di Chicago. Per il primo dataset troverai cluster che riassumono le cifre scritte a mano e per il secondo dataset troverai cluster di comunità dove è più o meno pericoloso vivere.
R
Modelli di Mixture in R
Corso
completato
