Name: Обучение без учителя на Python
Rating: 4.83786078098472 (1178 reviews)

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

Supervised Learning with scikit-learn

Программа

План курса

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.

Начать главу

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.

Начать главу

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.

Начать главу

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.