After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Kursbeskrivning
Blandningsmodellering är ett sätt att representera populationer när vi är intresserade av deras heterogenitet. Blandningsmodeller använder välkända sannolikhetsfördelningar (t.ex. gaussisk, Poisson, binomial) för att erbjuda ett formellt statistiskt ramverk för klustring och klassificering. Till skillnad från vanliga klustringsmetoder kan vi skatta sannolikheten för att tillhöra ett kluster och dra slutsatser om delpopulationerna. Inom marknadsföring kan du till exempel vilja klustra olika kundgrupper och beräkna deras respektive sannolikheter för att köpa specifika produkter – för att sedan rikta skräddarsydda erbjudanden till dem. När du tillämpar naturlig språkbehandling på en stor mängd dokument kan du vilja klustra dokumenten efter ämne och förstå hur viktigt varje ämne är i de olika dokumenten. I den här kursen lär du dig vad blandningsmodeller är, hur de skattas och när det är lämpligt att använda dem!
Förkunskapskrav
Kursplan
Kursöversikt
1
Introduktion till blandningsmodeller
I det här kapitlet introduceras du till grundläggande begrepp inom modellbaserad klustring och hur denna metod skiljer sig från andra klustringsmetoder. Du lär dig hur gaussiska blandningsmodeller genereras samt hur du visualiserar klustren.
- Introduktion till modellbaserad klustring50 XP
- Klustringsmetoder50 XP
- Utforska könsdata100 XP
- Gaussfördelning50 XP
- Sampla en gaussisk fördelning100 XP
- (inte så bra) Skattningar av medelvärde och standardavvikelse100 XP
- Gaussiska blandningsmodeller (GMM)50 XP
- Simulera en blandning av två gaussiska fördelningar100 XP
- Rita histogram över gaussisk blandningsmodell100 XP
- Blandning av tre normalfördelningar100 XP
2
Struktur hos blandningsmodeller och parametersskattning
I det här kapitlet introduceras du till huvudstrukturen hos blandningsmodeller, hur du hanterar olika typer av data med denna metod och hur du skattar de ingående parametrarna. För att genomföra skattningen lär du dig en iterativ metod som kallas Expectation-Maximization-algoritmen.
3
Gaussiska blandningsmodeller med `flexmix`
Det här kapitlet visar hur du anpassar gaussiska blandningsmodeller i 1 och 2 dimensioner med paketet `flexmix`. Datamaterialet består av 10 000 observationer av personer med uppgifter om vikt, längd, kroppsmassaindex och angivet kön.
4
Blandningsmodeller bortom gaussiska fördelningar
I den här modulen lär du dig hur blandningsmodeller utvidgas till att hantera andra sannolikhetsfördelningar än den gaussiska, och hur dessa modeller anpassas med `flexmix`. De datamängder som används består av bilder på handskrivna siffror samt antal brott i Chicago. För den första datamängden identifierar du kluster som sammanfattar de handskrivna siffrorna, och för den andra hittar du kluster av stadsdelar där det är mer eller mindre farligt att bo.
R
Blandningsmodeller i R
Kurs
slutförd
