After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
コース説明
たとえば、年齢・居住地・与信情報などさまざまな属性をもつ顧客データからパターンを見つけ、クラスタに分けたいとします。あるいは、Wikipediaのページのようなテキスト集合を、内容にもとづいてカテゴリに分割したい場合もあります。これは教師なし学習の世界です。特定の予測タスクで発見を誘導（監督）するのではなく、ラベルのないデータから潜在的な構造を見いだします。教師なし学習には、クラスタリング、次元削減、行列因子分解など、機械学習のさまざまな手法が含まれます。本コースでは、教師なし学習の基礎を学び、scikit-learn と SciPy を使って主要なアルゴリズムを実装します。ラベルなしデータセットのクラスタリング、変換、可視化、洞察の抽出を行い、最後は人気の音楽アーティストを推薦するレコメンダシステムを構築します。動画にはライブ字幕が含まれており、動画左下の"Show transcript"をクリックすると表示できます。
コース用語集は、右側のリソースセクションにあります。CPEクレジットを取得するには、コースを修了し、認定アセスメントで70%のスコアに到達する必要があります。右側のCPEクレジットの案内をクリックするとアセスメントに移動できます。
前提条件
カリキュラム
コース概要
1
探索のためのクラスタリング
データセットに内在するグループ（「クラスタ」）の見つけ方を学びます。章の最後には、株価データを使って企業をクラスタリングし、測定値のクラスタリングで種を見分けられるようになります。
2
階層型クラスタリングとt-SNEによる可視化
この章では、可視化のための教師なし学習手法である階層型クラスタリングとt-SNEを学びます。階層型クラスタリングはサンプルをより粗いクラスタへと順次マージし、得られたクラスタ階層を木構造として可視化できます。t-SNEはサンプルを2次元空間に写像し、サンプル間の近さを視覚的に把握できるようにします。
3
データの相関解消と次元削減
次元削減は、データセットに頻出するパターンで要約する手法です。この章では、最も基本的な次元削減手法である「主成分分析（PCA）」を学びます。PCAはしばしば教師あり学習の前処理として用いられ、モデル性能や汎化性能の向上に役立ちます。教師なし学習にも有用です。たとえば、PCAの変種を使ってWikipedia記事を内容にもとづいてクラスタリングします。
4
解釈しやすい特徴の発見
この章では、サンプルを解釈しやすい部分の組み合わせとして表現する次元削減手法「Non-negative matrix factorization（NMF、非負値行列因子分解）」を学びます。たとえば、文章をトピックの組み合わせとして、画像をよく現れる視覚パターンの組み合わせとして表現します。また、NMFを使って、読むとよい類似記事や、視聴履歴に合う音楽アーティストを提案するレコメンダシステムの作り方も学びます。
Pythonで学ぶ教師なし学習
コース修了
