After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Opis kursu
Być może korzystałeś już z Google News, który automatycznie grupuje podobne artykuły według tematyki. Czy zastanawiałeś się, jaki proces działa w tle, żeby te grupy powstały? W tym kursie poznasz uczenie nienadzorowane poprzez analizę skupień z użyciem biblioteki SciPy w Pythonie. Kurs obejmuje wstępne przetwarzanie danych oraz zastosowanie grupowania hierarchicznego i algorytmu k-średnich. W trakcie kursu przeanalizujesz statystyki zawodników z popularnej gry piłkarskiej FIFA 18. Po ukończeniu kursu będziesz potrafić sprawnie stosować różne algorytmy grupowania na danych, wizualizować powstałe skupienia i interpretować wyniki.
Wymagania wstępne
Program kursu
Plan kursu
1
Wprowadzenie do analizy skupień
Zanim zaczniesz klasyfikować artykuły prasowe, poznaj podstawy analizy skupień. Ten rozdział zapoznaje cię z klasą algorytmów uczenia maszynowego zwaną uczeniem nienadzorowanym, a następnie przedstawia grupowanie jako jeden z popularnych algorytmów tego typu. Dowiesz się o dwóch powszechnie stosowanych technikach grupowania – grupowaniu hierarchicznym oraz algorytmie k-średnich. Rozdział kończy się omówieniem podstawowych kroków wstępnego przetwarzania danych, które wykonasz przed przystąpieniem do grupowania.
- Uczenie nienadzorowane: podstawy50 XP
- Uczenie nienadzorowane w praktyce50 XP
- Obserwacje Pokémonów100 XP
- Podstawy analizy skupień50 XP
- Obserwacje Pokémonów: klastrowanie hierarchiczne100 XP
- Pokémon sightings: grupowanie k-means100 XP
- Przygotowanie danych do analizy skupień50 XP
- Normalizacja prostych danych listowych100 XP
- Wizualizacja znormalizowanych danych100 XP
- Normalizacja małych liczb100 XP
- FIFA 18: Normalizacja danych100 XP
2
Grupowanie hierarchiczne
Ten rozdział skupia się na popularnym algorytmie grupowania – grupowaniu hierarchicznym – oraz jego implementacji w SciPy. Oprócz procedury przeprowadzania grupowania hierarchicznego, rozdział pomaga odpowiedzieć na ważne pytanie: ile skupień kryje się w twoich danych? Rozdział kończy się omówieniem ograniczeń grupowania hierarchicznego i wskazówkami dotyczącymi jego praktycznego zastosowania.
3
Grupowanie k-średnich
Ten rozdział przedstawia inny algorytm grupowania – algorytm k-średnich – oraz jego implementację w SciPy. Algorytm k-średnich przezwycięża największą wadę grupowania hierarchicznego omówioną w poprzednim rozdziale. Ponieważ dendrogramy są charakterystyczne dla grupowania hierarchicznego, ten rozdział omawia jedną z metod wyznaczania liczby skupień przed uruchomieniem algorytmu k-średnich. Rozdział kończy się omówieniem ograniczeń algorytmu k-średnich oraz wskazówkami dotyczącymi jego stosowania.
4
Analiza skupień w praktyce
Znając już dwie najpopularniejsze techniki grupowania, możesz zastosować tę wiedzę w praktyce. Rozdział rozpoczyna się od procesu znajdowania dominujących kolorów na obrazie, a następnie przechodzi do problemu wspomnianego we wprowadzeniu – grupowania artykułów prasowych. Rozdział kończy się omówieniem grupowania z wieloma zmiennymi, które utrudnia wizualizację wszystkich danych.
Analiza skupień w Pythonie
Kurs
ukończony
