Depois de fazer esses cursos, sinto-me confiante para criar visualizações e painéis profissionais
Shoebur RahmanEspecialista em compras, Giz Bangladesh
Descrição do curso
Você provavelmente já se deparou com o Google News, que agrupa automaticamente artigos de notícias semelhantes em um tópico. Você já se perguntou qual processo é executado em segundo plano para chegar a esses grupos? Neste curso, você será apresentado ao aprendizado não supervisionado por meio de agrupamento usando a biblioteca SciPy em Python. Este curso abrange o pré-processamento de dados e a aplicação de agrupamento hierárquico e k-means. No curso, você explorará as estatísticas dos jogadores de um jogo de futebol popular, o FIFA 18. Após concluir o curso, você será capaz de aplicar rapidamente vários algoritmos de agrupamento nos dados, visualizar os agrupamentos formados e analisar os resultados.
Pré-requisitos
Programa de estudos
Conteúdo do curso
1
Introdução ao clustering
Antes de estar pronto para classificar artigos de notícias, você precisa conhecer os conceitos básicos de clustering. Este capítulo o familiariza com uma classe de algoritmos de aprendizado de máquina chamada aprendizado não supervisionado e, em seguida, apresenta a você o agrupamento, um dos algoritmos populares de aprendizado não supervisionado. Você conhecerá duas técnicas de agrupamento populares: agrupamento hierárquico e agrupamento k-means. O capítulo termina com as etapas básicas de pré-processamento antes de você começar a clusterizar os dados.
- Aprendizado não supervisionado: noções básicas50 XP
- Aprendizagem não supervisionada no mundo real50 XP
- Avistamentos de Pokémon100 XP
- Noções básicas de análise de agrupamento50 XP
- Avistamentos de Pokémon: agrupamento hierárquico100 XP
- Avistamentos de Pokémon: agrupamento k-means100 XP
- Preparação de dados para análise de cluster50 XP
- Normalizar dados da lista básica100 XP
- Visualizar dados normalizados100 XP
- Normalização de números pequenos100 XP
- FIFA 18: Normalizar dados100 XP
2
Agrupamento hierárquico
Este capítulo se concentra em um algoritmo de agrupamento popular - o agrupamento hierárquico - e sua implementação no SciPy. Além do procedimento para executar o agrupamento hierárquico, ele tenta ajudar você a responder a uma pergunta importante: quantos agrupamentos estão presentes nos seus dados? O capítulo termina com uma discussão sobre as limitações do agrupamento hierárquico e aborda considerações sobre o uso do agrupamento hierárquico.
3
K-Means Clustering
Este capítulo apresenta um algoritmo de agrupamento diferente - o agrupamento k-means - e sua implementação no SciPy. O agrupamento K-means supera a maior desvantagem do agrupamento hierárquico que foi discutida no último capítulo. Como os dendrogramas são específicos do agrupamento hierárquico, este capítulo discute um método para encontrar o número de clusters antes de executar o agrupamento k-means. O capítulo termina com uma discussão sobre as limitações do k-means clustering e discute as considerações ao usar esse algoritmo.
4
Clustering no mundo real
Agora que você já conhece duas das técnicas de clustering mais populares, este capítulo o ajudará a aplicar esse conhecimento a problemas do mundo real. O capítulo primeiro discute o processo de encontrar cores dominantes em uma imagem, antes de passar para o problema discutido na introdução - agrupamento de artigos de notícias. O capítulo termina com uma discussão sobre clustering com várias variáveis, o que dificulta a visualização de todos os dados.
Análise de cluster em Python
Curso
concluído
