Na het volgen van deze cursussen voel ik me zeker genoeg om professionele visualisaties en dashboards te maken
Shoebur RahmanInkoopspecialist, Giz Bangladesh
Cursusbeschrijving
Je kent vast Google News, dat automatisch vergelijkbare nieuwsartikelen groepeert onder één onderwerp. Heb je je ooit afgevraagd welk proces daarachter zit om tot die groepen te komen? In deze cursus maak je kennis met unsupervised learning via clustering met de SciPy-bibliotheek in Python. We behandelen het voorbewerken van data en het toepassen van hiërarchische clustering en k-means clustering. Door de cursus heen verken je spelersstatistieken uit een populaire voetbalgame, FIFA 18. Na afloop kun je snel verschillende clusteringalgoritmen op data toepassen, de gevormde clusters visualiseren en de resultaten analyseren.
Vereisten
Lesprogramma
Cursusoverzicht
1
Introductie tot clustering
Voordat je klaar bent om nieuwsartikelen te classificeren, maak je eerst kennis met de basis van clustering. Dit hoofdstuk laat je kennismaken met een klasse van machinelearning-algoritmen, unsupervised learning, en introduceert vervolgens clustering, een van de populaire unsupervised learning-algoritmen. Je leert over twee veelgebruikte clusteringtechnieken: hiërarchische clustering en k-means clustering. Het hoofdstuk sluit af met basisstappen voor het voorbewerken van data voordat je gaat clusteren.
- Unsupervised learning: de basis50 XP
- Unsupervised learning in de echte wereld50 XP
- Pokémon-waarnemingen100 XP
- Basis van clusteranalyse50 XP
- Pokémon-waarnemingen: hiërarchisch clusteren100 XP
- Pokémon-waarnemingen: k-means clustering100 XP
- Gegevens voorbereiden voor clusteranalyse50 XP
- Normaliseer eenvoudige lijstgegevens100 XP
- Genormaliseerde data visualiseren100 XP
- Normalisatie van kleine getallen100 XP
- FIFA 18: Gegevens normaliseren100 XP
2
Hiërarchische clustering
Dit hoofdstuk richt zich op een populair clusteringalgoritme — hiërarchische clustering — en de implementatie ervan in SciPy. Naast de procedure om hiërarchische clustering uit te voeren, helpt het je een belangrijke vraag te beantwoorden: hoeveel clusters zitten er in je data? Het hoofdstuk eindigt met een bespreking van de beperkingen van hiërarchische clustering en aandachtspunten bij het gebruik ervan.
3
K-means clustering
Dit hoofdstuk introduceert een ander clusteringalgoritme — k-means clustering — en de implementatie ervan in SciPy. K-means clustering pakt het grootste nadeel van hiërarchische clustering aan dat in het vorige hoofdstuk is besproken. Omdat dendrogrammen specifiek zijn voor hiërarchische clustering, bespreekt dit hoofdstuk een methode om het aantal clusters te bepalen voordat je k-means clustering uitvoert. Het hoofdstuk sluit af met een bespreking van de beperkingen van k-means clustering en aandachtspunten bij het gebruik van dit algoritme.
4
Clustering in de praktijk
Nu je bekend bent met twee van de meest populaire clusteringtechnieken, helpt dit hoofdstuk je om die kennis toe te passen op realistische problemen. Eerst komt het bepalen van dominante kleuren in een afbeelding aan bod, waarna we teruggaan naar het probleem uit de introductie: het clusteren van nieuwsartikelen. Het hoofdstuk sluit af met een bespreking van clusteren met meerdere variabelen, wat het lastiger maakt om alle data te visualiseren.
Clusteranalyse in Python
Cursus
voltooid
