Po ukończeniu tych kursów czuję się pewnie w tworzeniu profesjonalnych wizualizacji i pulpitów nawigacyjnych
Shoebur RahmanSpecjalista ds. zakupów, Giz Bangladesh
Opis kursu
Modelowanie mieszane to sposób na reprezentowanie populacji, gdy interesuje nas ich heterogeniczność. Modele mieszane wykorzystują znane rozkłady prawdopodobieństwa (np. Gaussa, Poissona, dwumianowy), tworząc wygodne i formalnie uzasadnione ramy statystyczne do grupowania i klasyfikacji. W odróżnieniu od standardowych metod grupowania, możemy szacować prawdopodobieństwo przynależności do danej grupy i wnioskować o podpopulacjach. Na przykład w kontekście marketingu możesz chcieć pogrupować różnych klientów i wyznaczyć ich prawdopodobieństwo zakupu określonych produktów, aby skuteczniej docierać do nich z dopasowanymi ofertami. Stosując przetwarzanie języka naturalnego do dużego zbioru dokumentów, możesz grupować je według tematyki i sprawdzać, jak istotny jest każdy temat w poszczególnych dokumentach. W tym kursie dowiesz się, czym są modele mieszane, jak się je estymuje i kiedy warto je stosować!
Wymagania wstępne
Program nauczania
Plan kursu
1
Wprowadzenie do modeli mieszanych
W tym rozdziale zapoznasz się z podstawowymi pojęciami dotyczącymi grupowania opartego na modelach oraz z tym, czym to podejście różni się od innych technik grupowania. Nauczysz się, jak przebiega proces generowania danych w mieszaninach rozkładów Gaussa, a także jak wizualizować grupy.
- Wprowadzenie do klasteryzacji opartej na modelach50 XP
- Metody grupowania50 XP
- Eksploracja danych dotyczących płci100 XP
- Rozkład Gaussa50 XP
- Próbkowanie rozkładu Gaussa100 XP
- (niezbyt trafne) Estymacja średniej i odchylenia standardowego100 XP
- Gaussowskie modele mieszanin (GMM)50 XP
- Symulacja mieszaniny dwóch rozkładów Gaussa100 XP
- Histogram mieszaniny gaussowskiej100 XP
- Mieszanina trzech rozkładów Gaussa100 XP
2
Struktura modeli mieszanych i estymacja parametrów
W tym rozdziale poznasz główną strukturę modeli mieszanych, dowiesz się, jak stosować to podejście do różnych typów danych i jak estymować zaangażowane parametry. Do przeprowadzenia estymacji nauczysz się iteracyjnej metody zwanej algorytmem oczekiwania-maksymalizacji (EM).
3
Mieszanina rozkładów Gaussa z `flexmix`
Ten rozdział pokazuje, jak dopasowywać mieszaniny rozkładów Gaussa w 1 i 2 wymiarach za pomocą pakietu `flexmix`. Wykorzystywane dane zawierają 10 000 obserwacji opisujących wagę, wzrost, wskaźnik masy ciała i zadeklarowaną płeć różnych osób.
4
Modele mieszane wykraczające poza rozkład Gaussa
W tym module dowiesz się, jak modele mieszane rozszerzają się na rozkłady prawdopodobieństwa inne niż rozkład Gaussa, oraz jak dopasowywać takie modele za pomocą pakietu `flexmix`. Wykorzystywane zbiory danych to obrazy odręcznie pisanych cyfr oraz liczba przestępstw w Chicago. Na podstawie pierwszego zbioru wyznaczysz grupy podsumowujące odręcznie pisane cyfry, a na podstawie drugiego – grupy dzielnic o wyższym lub niższym poziomie zagrożenia.
R
Modele mieszane w R
Kurs
ukończony
