50% de desconto no DataCamp Premium. Mais de 700 cursos pela metade do preço. Comece a aprender hoje.
Descrição do curso
Imagine que você tem um conjunto de clientes com várias características, como idade, localização e histórico financeiro, e deseja descobrir padrões e agrupá-los em clusters. Ou talvez você tenha um conjunto de textos, como páginas da Wikipedia, e queira segmentá-los em categorias com base no conteúdo. Esse é o mundo do aprendizado não supervisionado, chamado assim porque você não orienta, ou supervisiona, a descoberta de padrões por meio de uma tarefa de previsão; em vez disso, revela estruturas ocultas a partir de dados sem rótulos. O aprendizado não supervisionado abrange diversas técnicas de Machine Learning, de clusterização à redução de dimensão e fatoração de matrizes. Neste curso, você vai aprender os fundamentos do aprendizado não supervisionado e implementar algoritmos essenciais usando scikit-learn e SciPy. Você vai aprender a fazer clustering, transformar, visualizar e extrair insights de conjuntos de dados sem rótulos, e vai encerrar o curso construindo um sistema de recomendação para sugerir artistas musicais populares.Os vídeos contêm transcrições ao vivo que você pode exibir clicando em "Show transcript" no canto inferior esquerdo dos vídeos.
O glossário do curso está disponível à direita, na seção de recursos.Para obter créditos de CPE, você precisa concluir o curso e alcançar 70% na avaliação qualificada. Você pode acessar a avaliação clicando no destaque de créditos de CPE à direita.
Pré-requisitos
Programa de estudos
Descrição do curso
1
Clustering para Exploração de Conjuntos de Dados
Aprenda a descobrir os grupos subjacentes (ou "clusters") em um conjunto de dados. Ao final deste capítulo, você estará agrupando empresas usando seus preços no mercado de ações e distinguindo diferentes espécies ao clusterizar suas medições.
- Aprendizagem não supervisionada50 XP
- Quantos clusters você tem?50 XP
- Agrupamento de pontos 2D100 XP
- Inspecione seu clustering100 XP
- Avaliação de um clustering50 XP
- Quantos cachos de grãos você tem?100 XP
- Avaliação do agrupamento de grãos100 XP
- Transformação de recursos para melhores agrupamentos50 XP
- Dimensionamento de dados de peixes para agrupamento100 XP
- Agrupamento dos dados de peixes100 XP
- Agrupamento de ações usando KMeans100 XP
- Quais ações se movem juntas?100 XP
2
Visualização com Clusterização Hierárquica e t-SNE
Neste capítulo, você vai conhecer duas técnicas de aprendizado não supervisionado para visualização de dados: clusterização hierárquica e t-SNE. A clusterização hierárquica combina as amostras em clusters cada vez mais amplos, gerando uma visualização em árvore da hierarquia resultante. O t-SNE mapeia as amostras para um espaço 2D para que a proximidade entre elas possa ser visualizada.
3
Decorrelação dos Dados e Redução de Dimensão
A redução de dimensão resume um conjunto de dados usando seus padrões recorrentes. Neste capítulo, você vai aprender a mais fundamental das técnicas de redução de dimensão, a "Análise de Componentes Principais" ("PCA"). A PCA é frequentemente usada antes do aprendizado supervisionado para melhorar o desempenho e a capacidade de generalização do modelo. Ela também pode ser útil no aprendizado não supervisionado. Por exemplo, você vai aplicar uma variante de PCA que permitirá agrupar artigos da Wikipedia pelo conteúdo!
4
Descobrindo Recursos Interpretáveis
Neste capítulo, você vai aprender uma técnica de redução de dimensão chamada "Fatoração de Matrizes Não Negativas" ("NMF"), que expressa amostras como combinações de partes interpretáveis. Por exemplo, ela representa documentos como combinações de tópicos e imagens em termos de padrões visuais recorrentes. Você também vai usar NMF para construir sistemas de recomendação que possam encontrar artigos semelhantes para você ler ou artistas musicais que combinem com seu histórico de escuta!
Unsupervised Learning em Python
Curso
concluído
