Name: Învățare nesupervizată în Python
Rating: 4.83362676056338 (1136 reviews)

Descrierea cursului

Să presupunem că ai o colecție de clienți cu diverse caracteristici – vârstă, locație și istoric financiar – și vrei să descoperi tipare și să îi grupezi în clustere. Sau poate ai un set de texte, precum articole Wikipedia, pe care dorești să le clasifici în categorii în funcție de conținut. Aceasta este lumea învățării nesupervizate – numită astfel deoarece nu ghidezi, sau supervizezi, descoperirea tiparelor printr-o sarcină de predicție, ci dezvălui structuri ascunse din date neetichete. Învățarea nesupervizată înglobează o varietate de tehnici de machine learning, de la clustering la reducerea dimensionalității și factorizarea matricelor. În acest curs, vei învăța bazele învățării nesupervizate și vei implementa algoritmii esențiali folosind scikit-learn și SciPy. Vei descoperi cum să grupezi, transformi, vizualizezi și extragi informații din seturi de date neetichete, iar la finalul cursului vei construi un sistem de recomandare pentru artiști muzicali populari.Videoclipurile conțin transcrieri live pe care le poți afișa făcând clic pe „Afișează transcrierea" în colțul din stânga jos al videoclipurilor. Glosarul cursului se găsește în dreapta, în secțiunea de resurse.Pentru a obține credite CPE, trebuie să finalizezi cursul și să obții un scor de 70% la evaluarea calificată. Poți naviga la evaluare făcând clic pe notificarea CPE credits din dreapta.

Cerințe prealabile

Supervised Learning with scikit-learn

Curriculum

Structura cursului

Clustering pentru explorarea seturilor de date

Află cum să descoperi grupurile (sau „clusterele") dintr-un set de date. La finalul acestui capitol, vei realiza clustering pe companii folosind prețurile lor de pe piața bursieră și vei distinge diferite specii prin gruparea măsurătorilor acestora.

Începe capitolul

Vizualizare cu clustering ierarhic și t-SNE

În acest capitol, vei învăța două tehnici de învățare nesupervizată pentru vizualizarea datelor: clustering ierarhic și t-SNE. Clustering-ul ierarhic fuzionează eșantioanele de date în clustere din ce în ce mai largi, generând o vizualizare arborescentă a ierarhiei de clustere rezultate. t-SNE proiectează eșantioanele de date într-un spațiu 2D, astfel încât proximitatea dintre ele să poată fi vizualizată.

Începe capitolul

Decorelarea datelor și reducerea dimensionalității

Reducerea dimensionalității rezumă un set de date folosind tiparele sale frecvente. În acest capitol, vei învăța despre cea mai fundamentală tehnică de reducere a dimensionalității: „Analiza componentelor principale" („PCA"). PCA este folosită adesea înaintea învățării supervizate pentru a îmbunătăți performanța și generalizarea modelelor. Poate fi utilă și în contextul învățării nesupervizate. De exemplu, vei utiliza o variantă a PCA care îți va permite să grupezi articole Wikipedia după conținutul lor!

Începe capitolul

Descoperirea caracteristicilor interpretabile

În acest capitol, vei învăța despre o tehnică de reducere a dimensionalității numită „Factorizare matriceală non-negativă" („NMF"), care exprimă eșantioanele ca o combinație de componente interpretabile. De exemplu, reprezintă documentele ca o combinație de teme și imaginile prin tipare vizuale frecvente. Vei învăța, de asemenea, să folosești NMF pentru a construi sisteme de recomandare care pot sugera articole similare de citit sau artiști muzicali care se potrivesc istoricului tău de ascultare!