Name: Uczenie nienadzorowane w Pythonie
Rating: 4.83289124668435 (1131 reviews)

Opis kursu

Wyobraź sobie, że masz zbiór klientów opisanych różnymi cechami – wiekiem, lokalizacją czy historią finansową – i chcesz odkryć wzorce oraz podzielić ich na grupy. A może dysponujesz zbiorem tekstów, np. artykułów z Wikipedii, i chcesz je pogrupować według treści. To właśnie świat uczenia nienadzorowanego – podejścia, w którym nie kierujesz odkrywaniem wzorców żadnym zadaniem predykcyjnym, lecz samodzielnie wydobywasz ukrytą strukturę z nieoznakowanych danych. Uczenie nienadzorowane obejmuje wiele technik uczenia maszynowego: od klasteryzacji, przez redukcję wymiarowości, po faktoryzację macierzy. W tym kursie poznasz podstawy uczenia nienadzorowanego i zaimplementujesz kluczowe algorytmy z użyciem scikit-learn oraz SciPy. Nauczysz się grupować dane, przekształcać je, wizualizować i wyciągać z nich wnioski – a kurs zakończysz budową systemu rekomendacji sugerującego popularnych artystów muzycznych.Filmy zawierają transkrypcje na żywo, które możesz wyświetlić, klikając „Show transcript" w lewym dolnym rogu odtwarzacza. Glosariusz kursu znajdziesz po prawej stronie, w sekcji z zasobami.Aby uzyskać punkty CPE, musisz ukończyć kurs i zdobyć co najmniej 70% punktów w ocenie kwalifikacyjnej. Przejdź do oceny, klikając informację o punktach CPE po prawej stronie.

Wymagania wstępne

Supervised Learning with scikit-learn

Program kursu

Plan kursu

Klasteryzacja w eksploracji zbiorów danych

Naucz się odkrywać ukryte grupy (czyli „klastry") w zbiorze danych. Pod koniec tego rozdziału będziesz grupować spółki na podstawie cen ich akcji oraz rozróżniać różne gatunki na podstawie ich pomiarów.

Rozpocznij rozdział

Wizualizacja z klasteryzacją hierarchiczną i t-SNE

W tym rozdziale poznasz dwie techniki uczenia nienadzorowanego służące do wizualizacji danych: klasteryzację hierarchiczną oraz t-SNE. Klasteryzacja hierarchiczna łączy próbki danych w coraz szersze grupy, tworząc wizualizację wynikowej hierarchii klastrów w postaci drzewa. t-SNE odwzorowuje próbki danych w przestrzeni dwuwymiarowej, dzięki czemu można zwizualizować ich wzajemną bliskość.

Rozpocznij rozdział

Dekorelacja danych i redukcja wymiarowości

Redukcja wymiarowości pozwala streścić zbiór danych za pomocą jego najczęściej występujących wzorców. W tym rozdziale poznasz jedną z najważniejszych technik redukcji wymiarowości – „Analizę Głównych Składowych" (PCA). PCA jest często stosowana przed uczeniem nadzorowanym w celu poprawy wydajności i generalizacji modelu, ale sprawdza się również w uczeniu nienadzorowanym. Na przykład użyjesz wariantu PCA do grupowania artykułów z Wikipedii według ich treści!

Rozpocznij rozdział

Odkrywanie interpretowalnych cech

W tym rozdziale poznasz technikę redukcji wymiarowości zwaną „nieujemną faktoryzacją macierzy" (NMF), która opisuje próbki jako kombinacje interpretowalnych elementów. Na przykład reprezentuje dokumenty jako kombinacje tematów, a obrazy – jako kombinacje często pojawiających się wzorców wizualnych. Nauczysz się też wykorzystywać NMF do budowy systemów rekomendacji, które mogą podpowiadać podobne artykuły do przeczytania lub artystów muzycznych pasujących do twoich upodobań!