After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Kursbeskrivning
Tänk dig att du har en samling kunder med olika egenskaper – som ålder, plats och ekonomisk historik – och vill hitta mönster och gruppera dem i kluster. Eller kanske har du en uppsättning texter, till exempel Wikipedia-artiklar, och vill dela in dem i kategorier utifrån deras innehåll. Det är i den här världen som oövervakad inlärning hör hemma. Den kallas så eftersom du inte styr mönsterupptäckten via en prediktionsuppgift, utan i stället avslöjar dold struktur i omärkta data. Oövervakad inlärning omfattar en rad tekniker inom maskininlärning – från klustring och dimensionsreducering till matrisfaktorisering. I den här kursen lär du dig grunderna i oövervakad inlärning och implementerar de viktigaste algoritmerna med scikit-learn och SciPy. Du lär dig att klustra, transformera, visualisera och utvinna insikter från omärkta datamängder, och avslutar kursen med att bygga ett rekommendationssystem för populära musikartister.Videorna innehåller direkttranskript som du kan visa genom att klicka på "Visa transkript" längst ned till vänster i videospelaren.
Kursglossaret finns till höger i resursavsnittet.För att få CPE-poäng måste du slutföra kursen och uppnå minst 70 % på den kvalificerade bedömningen. Du når bedömningen via CPE-poängslänken till höger.
Förkunskapskrav
Kursplan
Kursöversikt
1
Klustring för datautforskning
Lär dig hur du hittar de underliggande grupperna (eller "klustren") i en datamängd. I slutet av det här kapitlet klustar du företag utifrån deras börspriser och skiljer olika arter åt genom att klustra deras mätdata.
- Oövervakad inlärning50 XP
- Hur många kluster?50 XP
- Klustra 2D-punkter100 XP
- Undersök din klustring100 XP
- Utvärdera en klustring50 XP
- Hur många kluster av spannmål?100 XP
- Utvärdera klustringen av sädesslag100 XP
- Transformera särdrag för bättre klustring50 XP
- Skalning av fiskdata inför klustring100 XP
- Klustra fiskdata100 XP
- Klustra aktier med KMeans100 XP
- Vilka aktier rör sig tillsammans?100 XP
2
Visualisering med hierarkisk klustring och t-SNE
I det här kapitlet lär du dig om två tekniker för oövervakad inlärning inom datavisualisering: hierarkisk klustring och t-SNE. Hierarkisk klustring slår samman datapunkterna i allt grövre kluster och ger en trädvisualisering av den resulterande klusterhierarkin. t-SNE projicerar datapunkterna i ett tvådimensionellt utrymme så att närheten mellan dem kan visualiseras.
3
Dekorrelera dina data och dimensionsreducering
Dimensionsreducering sammanfattar en datamängd utifrån dess återkommande mönster. I det här kapitlet lär du dig om den mest grundläggande tekniken för dimensionsreducering: "Principal Component Analysis" ("PCA"). PCA används ofta före övervakad inlärning för att förbättra modellens prestanda och generaliseringsförmåga. Den kan även vara användbar inom oövervakad inlärning. Du kommer till exempel att använda en variant av PCA för att klustra Wikipedia-artiklar utifrån deras innehåll!
4
Hitta tolkningsbara särdrag
I det här kapitlet lär du dig om en dimensionsreduceringsteknik som kallas "icke-negativ matrisfaktorisering" ("NMF"). Den uttrycker datapunkter som kombinationer av tolkningsbara delar – till exempel dokument som kombinationer av ämnen, och bilder i termer av återkommande visuella mönster. Du lär dig också att använda NMF för att bygga rekommendationssystem som kan föreslå liknande artiklar att läsa, eller musikartister som passar din lyssningshistorik!
Oövervakad inlärning i Python
Kurs
slutförd
