After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
코스 설명
나이, 거주지, 금융 이력 등 다양한 특성을 가진 고객들이 있고, 그 속에서 패턴을 찾아 무리(클러스터)로 나누고 싶다고 해볼까요? 또는 Wikipedia 페이지 같은 텍스트 모음이 있어, 내용에 따라 범주로 구분하고 싶을 수도 있어요. 이것이 바로 unsupervised learning의 세계입니다. 예측 과제로 패턴 발견을 지도(supervise)하는 대신, 라벨이 없는 데이터에서 숨겨진 구조를 드러내기 때문에 이렇게 부릅니다. Unsupervised learning에는 클러스터링, 차원 축소, 행렬 분해 등 다양한 Machine Learning 기법이 포함됩니다. 이 강의에서는 unsupervised learning의 기초를 배우고 scikit-learn과 SciPy로 핵심 알고리즘을 구현해 볼 거예요. 라벨 없는 데이터셋에서 클러스터링, 변환, 시각화, 인사이트 도출을 해 보고, 마지막에는 인기 음악 아티스트를 추천하는 추천 시스템도 만들어 봅니다.동영상에는 실시간 전사가 포함되어 있으며, 동영상 왼쪽 하단의 "Show transcript"를 클릭하면 열람할 수 있어요.
강의 용어 사전은 오른쪽의 리소스 섹션에서 확인할 수 있습니다.CPE 크레딧을 받으려면 강의를 이수하고 인증 평가에서 70% 이상 점수를 받아야 합니다. 오른쪽의 CPE 크레딧 알림을 클릭하면 평가로 이동할 수 있어요.
사전 요구 사항
커리큘럼
코스 개요
1
데이터셋 탐색을 위한 클러스터링
데이터셋에 숨어 있는 그룹(또는 "클러스터")을 찾는 방법을 배웁니다. 이 장의 끝에서는 주가 데이터를 활용해 기업을 클러스터링하고, 측정값 클러스터링으로 서로 다른 종을 구분해 볼 거예요.
2
계층적 클러스터링과 t-SNE로 하는 시각화
이 장에서는 데이터 시각화를 위한 두 가지 unsupervised learning 기법인 계층적 클러스터링과 t-SNE를 배웁니다. 계층적 클러스터링은 데이터 샘플을 점점 더 큰 클러스터로 병합하여, 결과 클러스터 계층 구조를 트리로 시각화합니다. t-SNE는 데이터 샘플을 2차원 공간에 매핑해 샘플 간의 근접성을 시각적으로 파악할 수 있게 해 줍니다.
3
데이터 상관 제거와 차원 축소
차원 축소는 데이터셋을 자주 나타나는 공통 패턴으로 요약합니다. 이 장에서는 차원 축소의 가장 기본 기법인 "Principal Component Analysis"("PCA")를 배웁니다. PCA는 감독학습 전에 모델 성능과 일반화를 높이는 데 자주 쓰이며, unsupervised learning에도 유용합니다. 예를 들어, PCA의 변형을 사용해 Wikipedia 문서를 내용에 따라 클러스터링해 볼 거예요!
4
해석 가능한 특성 발견하기
이 장에서는 샘플을 해석 가능한 부분의 조합으로 표현하는 차원 축소 기법 "Non-negative matrix factorization"("NMF")를 배웁니다. 예를 들어 문서는 주제의 조합으로, 이미지는 자주 나타나는 시각적 패턴의 조합으로 표현할 수 있어요. 또한 NMF를 사용해 읽을 만한 유사 문서를 찾거나, 청취 이력에 맞는 음악 아티스트를 추천하는 추천 시스템도 만들어 봅니다!
Python으로 배우는 Unsupervised Learning
코스
완료
