Na het volgen van deze cursussen voel ik me zeker genoeg om professionele visualisaties en dashboards te maken
Shoebur RahmanInkoopspecialist, Giz Bangladesh
Cursusbeschrijving
Stel, je hebt een groep klanten met allerlei kenmerken, zoals leeftijd, locatie en financiële geschiedenis, en je wilt patronen ontdekken en ze in clusters indelen. Of je hebt een verzameling teksten, zoals Wikipedia-pagina’s, en je wilt ze op basis van inhoud in categorieën verdelen. Dit is de wereld van unsupervised learning: je stuurt of “superviseert” de patroonontdekking niet met een voorspellingstaak, maar legt verborgen structuur bloot in ongelabelde data. Unsupervised learning omvat allerlei Machine Learning-technieken, van clusteren tot dimensiereductie en matrixfactorisatie. In deze cursus leer je de basis van unsupervised learning en implementeer je de belangrijkste algoritmen met scikit-learn en SciPy. Je leert hoe je ongelabelde gegevenssets kunt clusteren, transformeren, visualiseren en er inzichten uit haalt, en sluit af met het bouwen van een aanbevelingssysteem dat populaire muzikale artiesten aanbeveelt.De video’s bevatten live-transcripts die je kunt openen door linksonder in de video’s op "Show transcript" te klikken.
De cursusterminologie vind je rechts in het gedeelte met bronnen.Om CPE-credits te behalen, moet je de cursus afronden en minimaal 70% scoren op de gekwalificeerde toets. Je gaat naar de toets via de CPE-creditsvermelding aan de rechterkant.
Vereisten
Lesprogramma
Cursusoverzicht
1
Clusteren om je gegevensset te verkennen
Leer hoe je de onderliggende groepen (of "clusters") in een gegevensset ontdekt. Aan het einde van dit hoofdstuk cluster je bedrijven op basis van hun aandelenkoersen en onderscheid je soorten door hun metingen te clusteren.
- Unsupervised Learning50 XP
- Hoeveel clusters?50 XP
- Clusteren van 2D-punten100 XP
- Bekijk je clustering100 XP
- Een clustering evalueren50 XP
- Hoeveel graanclusters?100 XP
- De graanclustering evalueren100 XP
- Features transformeren voor betere clusterings50 XP
- Vissengegevens schalen voor clustering100 XP
- Clusteren van de visgegevens100 XP
- Aandelen clusteren met KMeans100 XP
- Welke aandelen bewegen samen?100 XP
2
Visualiseren met hiërarchisch clusteren en t-SNE
In dit hoofdstuk leer je twee unsupervised learning-technieken voor datavisualisatie: hiërarchisch clusteren en t-SNE. Hiërarchisch clusteren voegt datasamples samen tot steeds grovere clusters en levert zo een boomvisualisatie van de clustergelaagdheid op. t-SNE projecteert de datasamples in 2D-ruimte zodat je hun onderlinge nabijheid kunt visualiseren.
3
Je data decorreleren en dimensiereductie
Dimensiereductie vat een gegevensset samen via veelvoorkomende patronen. In dit hoofdstuk leer je de belangrijkste techniek voor dimensiereductie kennen: "Principal Component Analysis" ("PCA"). PCA wordt vaak vóór supervised learning gebruikt om de modelprestatie en generalisatie te verbeteren. Het is ook nuttig voor unsupervised learning. Je gebruikt bijvoorbeeld een variant van PCA waarmee je Wikipedia-artikelen op basis van hun inhoud kunt clusteren!
4
Ontdekken van interpreteerbare kenmerken
In dit hoofdstuk maak je kennis met een techniek voor dimensiereductie, "Non-negative matrix factorization" ("NMF"), die samples uitdrukt als combinaties van interpreteerbare onderdelen. Zo kun je documenten weergeven als combinaties van onderwerpen en afbeeldingen als veelvoorkomende visuele patronen. Je leert ook NMF gebruiken om aanbevelingssystemen te bouwen die vergelijkbare artikelen kunnen vinden om te lezen, of muzikale artiesten die passen bij je luistergeschiedenis!
Unsupervised Learning in Python
Cursus
voltooid
