After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Descrierea cursului
Probabil ai auzit de Google News, care grupează automat articolele similare pe teme. Te-ai întrebat vreodată ce proces rulează în fundal pentru a forma aceste grupuri? În acest curs, vei fi introdus în învățarea nesupervizată prin clustering, folosind biblioteca SciPy în Python. Cursul acoperă preprocesarea datelor și aplicarea clustering-ului ierarhic și k-means. Pe parcurs, vei explora statistici ale jucătorilor din popularul joc video de fotbal FIFA 18. La finalul cursului, vei putea aplica rapid diverși algoritmi de clustering pe date, vizualiza clusterele formate și analiza rezultatele.
Cerințe prealabile
Curriculum
Structura cursului
1
Introducere în clustering
Înainte de a fi pregătit să clasifici articole de știri, trebuie să te familiarizezi cu noțiunile de bază ale clustering-ului. Acest capitol îți prezintă o clasă de algoritmi de învățare automată numită învățare nesupervizată, după care te introduce în clustering – unul dintre cei mai populari algoritmi nesupervizați. Vei afla despre două tehnici populare de clustering: clustering ierarhic și clustering k-means. Capitolul se încheie cu pașii de bază de preprocesare înainte de a începe să lucrezi cu datele.
- Învățare nesupervizată: noțiuni de bază50 XP
- Învățarea nesupervizată în lumea reală50 XP
- Avistări de Pokémon100 XP
- Noțiuni de bază ale analizei de clustere50 XP
- Avistări de Pokémon: clustering ierarhic100 XP
- Avistări de Pokémon: clustering k-means100 XP
- Pregătirea datelor pentru analiza cluster50 XP
- Normalizează date dintr-o listă simplă100 XP
- Vizualizează datele normalizate100 XP
- Normalizarea numerelor mici100 XP
- FIFA 18: Normalizează datele100 XP
2
Clustering ierarhic
Acest capitol se concentrează pe un algoritm popular de clustering – clustering-ul ierarhic – și pe implementarea sa în SciPy. Pe lângă procedura de realizare a clustering-ului ierarhic, îți oferă și instrumentele pentru a răspunde la o întrebare importantă: câte clustere există în datele tale? Capitolul se încheie cu o discuție despre limitele clustering-ului ierarhic și cu aspecte de luat în considerare atunci când îl folosești.
3
Clustering K-Means
Acest capitol introduce un alt algoritm de clustering – clustering-ul k-means – și implementarea sa în SciPy. Clustering-ul k-means depășește cel mai mare dezavantaj al clustering-ului ierarhic discutat în capitolul anterior. Deoarece dendrogramele sunt specifice clustering-ului ierarhic, acest capitol prezintă o metodă de a determina numărul de clustere înainte de a rula k-means. Capitolul se încheie cu o discuție despre limitele clustering-ului k-means și cu aspecte de luat în considerare când folosești acest algoritm.
4
Clustering în lumea reală
Acum că ești familiarizat cu două dintre cele mai populare tehnici de clustering, acest capitol te ajută să aplici aceste cunoștințe în probleme reale. Capitolul discută mai întâi procesul de identificare a culorilor dominante dintr-o imagine, apoi abordează problema menționată în introducere – clustering-ul articolelor de știri. Capitolul se încheie cu o discuție despre clustering cu mai multe variabile, ceea ce face dificilă vizualizarea tuturor datelor.
Analiza clusterelor în Python
Curs
finalizat
