After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Kursbeskrivning
Du har förmodligen stött på Google News, som automatiskt grupperar liknande nyhetsartiklar under ett ämne. Har du någonsin undrat vilken process som körs i bakgrunden för att skapa dessa grupper? I den här kursen introduceras du till oövervakad inlärning genom klustring med SciPy-biblioteket i Python. Kursen täcker förbehandling av data samt tillämpning av hierarkisk klustring och k-means-klustring. Under kursens gång utforskar du spelarstatistik från det populära fotbollsspelet FIFA 18. När du har slutfört kursen kan du snabbt tillämpa olika klustringsalgoritmer på data, visualisera de kluster som bildas och analysera resultaten.
Förkunskapskrav
Kursplan
Kursöversikt
1
Introduktion till klustring
Innan du kan klassificera nyhetsartiklar behöver du lära dig grunderna i klustring. Det här kapitlet introducerar dig till en klass av maskininlärningsalgoritmer som kallas oövervakad inlärning och presenterar sedan klustring, en av de mest populära algoritmerna inom detta område. Du får lära dig om två vanliga klustringsmetoder – hierarkisk klustring och k-means-klustring. Kapitlet avslutas med grundläggande förbehandlingssteg inför klustring av data.
- Oövervakad inlärning: grunderna50 XP
- Oövervakad inlärning i verkligheten50 XP
- Pokémon-observationer100 XP
- Grunderna i klusteranalys50 XP
- Pokémon-observationer: hierarkisk klustring100 XP
- Pokémon-observationer: k-means-klustring100 XP
- Dataförberedelse inför klusteranalys50 XP
- Normalisera enkel listdata100 XP
- Visualisera normaliserad data100 XP
- Normalisering av små tal100 XP
- FIFA 18: Normalisera data100 XP
2
Hierarkisk klustring
Det här kapitlet fokuserar på en populär klustringsalgoritm – hierarkisk klustring – och dess implementering i SciPy. Utöver hur du utför hierarkisk klustring behandlas också en viktig fråga: hur många kluster finns det i din data? Kapitlet avslutas med en diskussion om begränsningarna hos hierarkisk klustring och vad du bör tänka på när du använder metoden.
3
K-means-klustring
Det här kapitlet introducerar en annan klustringsalgoritm – k-means-klustring – och dess implementering i SciPy. K-means-klustring löser den största nackdelen med hierarkisk klustring som diskuterades i föregående kapitel. Eftersom dendogram är specifika för hierarkisk klustring tar det här kapitlet upp en metod för att bestämma antalet kluster innan du kör k-means-klustring. Kapitlet avslutas med en diskussion om begränsningarna hos k-means-klustring och vad du bör tänka på när du använder algoritmen.
4
Klustring i verkliga tillämpningar
Nu när du är bekant med två av de mest populära klustringsmetoderna hjälper det här kapitlet dig att tillämpa dessa kunskaper på verkliga problem. Kapitlet börjar med att diskutera hur du hittar dominerande färger i en bild och övergår sedan till problemet som introducerades i kursen – klustring av nyhetsartiklar. Kapitlet avslutas med en diskussion om klustring med flera variabler, vilket gör det svårare att visualisera all data.
Klusteranalys i Python
Kurs
slutförd
