After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Cursusbeschrijving
Mixture modeling is een manier om populaties te beschrijven wanneer we geïnteresseerd zijn in hun heterogeniteit. Mixture models gebruiken bekende kansverdelingen (bijv. Gaussisch, Poisson, Binomiaal) om een handig maar formeel statistisch kader te bieden voor clusteren en classificatie. In tegenstelling tot standaard clusteringbenaderingen kunnen we de kans schatten dat een observatie tot een cluster behoort en conclusies trekken over de subpopulaties. In een marketingcontext wil je bijvoorbeeld verschillende klantgroepen clusteren en hun respectieve kansen bepalen om specifieke producten te kopen, zodat je ze gerichter kunt benaderen met maatwerkacties. Bij het toepassen van natural language processing op een grote set documenten wil je documenten wellicht in onderwerpen clusteren en begrijpen hoe belangrijk elk onderwerp is binnen elk document. In deze cursus leer je wat Mixture Models zijn, hoe ze worden geschat en wanneer het passend is om ze toe te passen!
Vereisten
Curriculum
Cursusoverzicht
1
Introduction to Mixture Models
In dit hoofdstuk maak je kennis met de basisconcepten van modelgebaseerd clusteren en hoe deze aanpak verschilt van andere clusteringtechnieken. Je leert het generatieproces van Gaussian Mixture Models en hoe je de clusters kunt visualiseren.
- Introductie van modelgebaseerde clustering50 XP
- Clustering-methoden50 XP
- Verken geslachtsgegevens100 XP
- Gaussiaanse verdeling50 XP
- Steekproeven uit een Gaussische verdeling nemen100 XP
- (niet zo goed) Schattingen van het gemiddelde en de sd100 XP
- Gaussian mixturemodellen (GMM)50 XP
- Simuleer een mengsel van twee Gaussische verdelingen100 XP
- Histogram van Gaussian Mixture plotten100 XP
- Mix van drie Gaussiaanse verdelingen100 XP
2
Structure of Mixture Models and Parameters Estimation
In dit hoofdstuk maak je kennis met de hoofdstructuur van Mixture Models, hoe je met deze aanpak verschillende typen data benadert en hoe je de betrokken parameters schat. Voor de schatting leer je een iteratieve methode kennen: het Expectation-Maximization-algoritme.
3
Mixture of Gaussians with `flexmix`
Dit hoofdstuk laat zien hoe je Gaussian Mixture Models in 1 en 2 dimensies fit met het pakket `flexmix`. De gebruikte data bestaat uit 10.000 observaties van personen met hun gewicht, lengte, body mass index en opgegeven geslacht.
4
Mixture Models Beyond Gaussians
In deze module leer je hoe Mixture Models worden uitgebreid naar kansverdelingen anders dan de Gaussische en hoe deze modellen met `flexmix` worden gefit. De datasets zijn afbeeldingen van handgeschreven cijfers en het aantal misdrijven in de stad Chicago. Voor de eerste gegevensset vind je clusters die de handgeschreven cijfers samenvatten en voor de tweede gegevensset vind je clusters van buurten waar het meer of minder gevaarlijk is om te wonen.
R
Mixture Models in R
Cursus
voltooid
