After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Описание курса
Представьте, что у вас есть база клиентов с различными характеристиками — возраст, местоположение, финансовая история — и вы хотите найти закономерности и разбить их на группы. Или у вас есть набор текстов, например статьи из Википедии, и вы хотите разделить их по темам. Это и есть область обучения без учителя: в отличие от обучения с учителем, здесь нет целевой переменной, которая направляла бы поиск закономерностей, — вместо этого вы обнаруживаете скрытую структуру в данных без меток. Обучение без учителя охватывает широкий спектр методов машинного обучения: от кластеризации и снижения размерности до матричной факторизации. В этом курсе вы освоите основы обучения без учителя и реализуете ключевые алгоритмы с помощью scikit-learn и SciPy. Вы научитесь кластеризовать данные, преобразовывать их, визуализировать и извлекать полезные выводы из неразмеченных наборов данных, а в завершение курса создадите рекомендательную систему для подбора популярных музыкальных исполнителей.Видеолекции содержат субтитры, которые можно открыть, нажав «Show transcript» в левом нижнем углу.
Глоссарий курса доступен справа в разделе ресурсов.Чтобы получить баллы CPE, необходимо завершить курс и набрать не менее 70% на квалификационном тесте. Перейти к тесту можно, нажав на соответствующий блок CPE credits справа.
Предварительные требования
Программа
Структура курса
1
Кластеризация для исследования данных
Научитесь выявлять скрытые группы (кластеры) в наборах данных. К концу этой главы вы будете кластеризовать компании по динамике их акций на фондовом рынке и различать биологические виды, группируя их по измеренным характеристикам.
- Обучение без учителя50 XP
- Сколько кластеров?50 XP
- Кластеризация двумерных точек100 XP
- Исследуйте результаты кластеризации100 XP
- Оценка качества кластеризации50 XP
- Сколько кластеров зерна?100 XP
- Оценка кластеризации зерна100 XP
- Преобразование признаков для улучшения кластеризации50 XP
- Масштабирование данных о рыбах для кластеризации100 XP
- Кластеризация данных о рыбах100 XP
- Кластеризация акций с помощью KMeans100 XP
- Какие акции движутся вместе?100 XP
2
Визуализация с помощью иерархической кластеризации и t-SNE
В этой главе вы познакомитесь с двумя методами обучения без учителя для визуализации данных: иерархической кластеризацией и t-SNE. Иерархическая кластеризация объединяет наблюдения в последовательно укрупняющиеся кластеры, формируя древовидную структуру. t-SNE отображает данные в двумерное пространство, позволяя визуально оценить близость между наблюдениями.
3
Декорреляция данных и снижение размерности
Снижение размерности позволяет описать набор данных через его наиболее характерные закономерности. В этой главе вы изучите один из фундаментальных методов снижения размерности — метод главных компонент (PCA). PCA часто применяется перед обучением с учителем, чтобы повысить качество и обобщающую способность модели. Он также полезен в задачах обучения без учителя: например, с его помощью вы сможете кластеризовать статьи Википедии по содержанию.
4
Поиск интерпретируемых признаков
В этой главе вы познакомитесь с методом снижения размерности — неотрицательным матричным разложением (NMF), который представляет наблюдения как комбинации интерпретируемых составляющих. Например, он описывает документы как сочетания тем, а изображения — через часто встречающиеся визуальные паттерны. Вы также узнаете, как применять NMF для построения рекомендательных систем, способных предлагать похожие статьи или музыкальных исполнителей на основе ваших предпочтений.
Обучение без учителя на Python
Курс
завершён
