Name: Apprendimento non supervisionato in Python
Rating: 4.83362676056338 (1136 reviews)

Descrizione del corso

Supponi di avere un insieme di clienti con varie caratteristiche, come età, posizione e storia finanziaria, e di voler scoprire schemi e raggrupparli in cluster. Oppure hai un insieme di testi, ad esempio pagine di Wikipedia, e vuoi suddividerli in categorie in base al contenuto. Questo è il mondo dell’apprendimento non supervisionato: si chiama così perché non guidi, o supervisioni, la scoperta dei pattern tramite un compito di previsione, ma fai emergere strutture nascoste da dati non etichettati. L’apprendimento non supervisionato comprende diverse tecniche di Machine Learning, dal clustering alla riduzione della dimensione fino alla fattorizzazione di matrici. In questo corso imparerai le basi dell’apprendimento non supervisionato e implementerai gli algoritmi essenziali usando scikit-learn e SciPy. Imparerai a raggruppare, trasformare, visualizzare ed estrarre insight da insiemi di dati non etichettati, e concluderai il corso costruendo un sistema di raccomandazione per suggerire artisti musicali popolari.I video includono trascrizioni che puoi mostrare cliccando su "Show transcript" in basso a sinistra nei video. Il glossario del corso è disponibile a destra nella sezione delle risorse.Per ottenere i crediti CPE devi completare il corso e raggiungere un punteggio del 70% nella valutazione qualificata. Puoi andare alla valutazione cliccando sul riquadro dei crediti CPE sulla destra.

Prerequisiti

Supervised Learning with scikit-learn

Curriculum

Programma del corso

Clustering per esplorare gli insiemi di dati

Impara a individuare i gruppi sottostanti (o "cluster") in un insieme di dati. Alla fine di questo capitolo, farai il clustering delle aziende usando i loro prezzi di borsa e distinguerai specie diverse raggruppando le loro misurazioni.

Inizia capitolo

Visualizzazione con clustering gerarchico e t-SNE

In questo capitolo conoscerai due tecniche di apprendimento non supervisionato per la visualizzazione dei dati: clustering gerarchico e t-SNE. Il clustering gerarchico unisce i campioni in cluster via via più ampi, producendo una visualizzazione ad albero della gerarchia risultante. t-SNE mappa i campioni in uno spazio 2D in modo che si possa visualizzare la loro prossimità reciproca.

Inizia capitolo

Decorrelazione dei dati e riduzione della dimensione

La riduzione della dimensione riassume un insieme di dati sfruttando i pattern che si ripetono. In questo capitolo scoprirai la più fondamentale tra le tecniche di riduzione della dimensione, la "Principal Component Analysis" ("PCA"). La PCA è spesso usata prima dell’apprendimento supervisionato per migliorare prestazioni e generalizzazione del modello. Può essere utile anche nell’apprendimento non supervisionato. Per esempio, userai una variante della PCA che ti permetterà di raggruppare articoli di Wikipedia in base al loro contenuto!

Inizia capitolo

Scoprire caratteristiche interpretabili

In questo capitolo imparerai una tecnica di riduzione della dimensione chiamata "Non-negative matrix factorization" ("NMF"), che esprime i campioni come combinazioni di parti interpretabili. Per esempio, rappresenta i documenti come combinazioni di argomenti e le immagini in termini di pattern visivi ricorrenti. Imparerai anche a usare la NMF per costruire sistemi di raccomandazione in grado di suggerirti articoli simili da leggere o artisti musicali in linea con la tua cronologia di ascolto!