После прохождения этих курсов я уверенно создаю профессиональные визуализации и дашборды.
Shoebur RahmanСпециалист по закупкам, Giz Bangladesh
Описание курса
Вы наверняка сталкивались с Google News, который автоматически группирует похожие новостные статьи по темам. Задумывались ли вы, какой процесс стоит за этим? В этом курсе вы познакомитесь с обучением без учителя на примере кластеризации с использованием библиотеки SciPy в Python. Курс охватывает предобработку данных, а также применение иерархической кластеризации и метода k-средних. В ходе обучения вы будете исследовать статистику игроков из популярной футбольной видеоигры FIFA 18. По завершении курса вы сможете уверенно применять различные алгоритмы кластеризации к данным, визуализировать полученные кластеры и анализировать результаты.
Предварительные требования
Программа
План курса
1
Введение в кластеризацию
Прежде чем приступить к классификации новостных статей, нужно разобраться с основами кластеризации. В этой главе вы познакомитесь с классом алгоритмов машинного обучения, известных как обучение без учителя, а затем изучите кластеризацию — один из наиболее распространённых таких алгоритмов. Вы узнаете о двух популярных методах кластеризации: иерархической кластеризации и методе k-средних. Глава завершается рассмотрением базовых шагов предобработки данных перед началом кластеризации.
- Обучение без учителя: основы50 XP
- Обучение без учителя в реальном мире50 XP
- Наблюдения за покемонами100 XP
- Основы кластерного анализа50 XP
- Наблюдения покемонов: иерархическая кластеризация100 XP
- Наблюдения покемонов: кластеризация методом k-средних100 XP
- Подготовка данных для кластерного анализа50 XP
- Нормализация простого списка данных100 XP
- Визуализация нормализованных данных100 XP
- Нормализация малых чисел100 XP
- FIFA 18: нормализация данных100 XP
2
Иерархическая кластеризация
В этой главе подробно рассматривается популярный алгоритм кластеризации — иерархическая кластеризация — и его реализация в SciPy. Помимо процедуры выполнения иерархической кластеризации, глава помогает ответить на важный вопрос: сколько кластеров содержится в ваших данных? В завершение обсуждаются ограничения иерархической кластеризации и ключевые соображения при её использовании.
3
Метод k-средних
В этой главе рассматривается другой алгоритм кластеризации — метод k-средних — и его реализация в SciPy. Метод k-средних устраняет главный недостаток иерархической кластеризации, о котором шла речь в предыдущей главе. Поскольку дендрограммы применяются только в иерархической кластеризации, здесь обсуждается один из способов определить число кластеров до запуска метода k-средних. Глава завершается разбором ограничений метода k-средних и рекомендациями по его применению.
4
Кластеризация на практике
Теперь, когда вы познакомились с двумя наиболее популярными методами кластеризации, эта глава поможет вам применить полученные знания к реальным задачам. Сначала рассматривается процесс выделения доминирующих цветов на изображении, а затем — задача, упомянутая во введении: кластеризация новостных статей. В завершение обсуждается кластеризация с использованием множества переменных, при которой визуализировать все данные становится затруднительно.
Кластерный анализ на Python
Курс
завершён
