Build your ultimate AI agent
รายละเอียดคอร์ส
คุณคงเคยใช้ Google News ซึ่งจัดกลุ่มบทความข่าวที่คล้ายกันไว้ด้วยกันโดยอัตโนมัติ เคยสงสัยไหมว่าเบื้องหลังนั้นทำงานอย่างไร? ในคอร์สนี้ คุณจะได้เรียนรู้การเรียนรู้แบบไม่มีผู้สอน (unsupervised learning) ผ่านการทำ clustering โดยใช้ไลบรารี SciPy ใน Python คอร์สนี้ครอบคลุมการเตรียมข้อมูลและการใช้งาน hierarchical clustering และ k-means clustering ตลอดคอร์ส คุณจะได้สำรวจสถิติของนักเตะจากวิดีโอเกมฟุตบอลชื่อดังอย่าง FIFA 18 เมื่อเรียนจบแล้ว จะสามารถนำอัลกอริทึม clustering ต่าง ๆ ไปใช้กับข้อมูลได้อย่างรวดเร็ว แสดงภาพกลุ่มที่จัดได้ และวิเคราะห์ผลลัพธ์ที่ได้
ข้อกำหนดเบื้องต้น
หลักสูตร
โครงสร้างคอร์ส
1
เบื้องต้นเกี่ยวกับ Clustering
ก่อนที่จะจัดหมวดหมู่บทความข่าวได้ คุณจำเป็นต้องรู้จักพื้นฐานของ clustering เสียก่อน บทนี้จะแนะนำให้รู้จักกับอัลกอริทึม machine learning ประเภทหนึ่งที่เรียกว่าการเรียนรู้แบบไม่มีผู้สอน (unsupervised learning) จากนั้นจะเจาะลึกเรื่อง clustering ซึ่งเป็นหนึ่งในอัลกอริทึมยอดนิยมในกลุ่มนี้ คุณจะได้เรียนรู้เทคนิค clustering สองแบบ ได้แก่ hierarchical clustering และ k-means clustering บทนี้ปิดท้ายด้วยขั้นตอนการเตรียมข้อมูลเบื้องต้นก่อนเริ่มทำ clustering
- การเรียนรู้แบบไม่มีผู้สอน: พื้นฐาน50 XP
- Unsupervised learning ในโลกความเป็นจริง50 XP
- การพบเห็น Pokémon100 XP
- พื้นฐานของการวิเคราะห์กลุ่ม50 XP
- การพบเห็นโปเกมอน: hierarchical clustering100 XP
- การพบเห็น Pokémon: k-means clustering100 XP
- การเตรียมข้อมูลสำหรับการวิเคราะห์กลุ่ม50 XP
- Normalize ข้อมูล list เบื้องต้น100 XP
- แสดงภาพข้อมูลที่ผ่านการ Normalize แล้ว100 XP
- การ Normalization ของตัวเลขขนาดเล็ก100 XP
- FIFA 18: ทำให้ข้อมูลเป็นมาตรฐาน100 XP
2
Hierarchical Clustering
บทนี้เน้นที่ hierarchical clustering ซึ่งเป็นอัลกอริทึม clustering ที่ได้รับความนิยม และวิธีนำไปใช้งานใน SciPy นอกจากขั้นตอนการทำ hierarchical clustering แล้ว ยังจะช่วยให้ตอบคำถามสำคัญได้ว่า ข้อมูลของคุณมีกี่กลุ่ม? บทนี้ปิดท้ายด้วยการพูดถึงข้อจำกัดของ hierarchical clustering และข้อควรพิจารณาในการใช้งาน
3
K-Means Clustering
บทนี้แนะนำอัลกอริทึม clustering อีกแบบหนึ่งคือ k-means clustering และวิธีนำไปใช้งานใน SciPy K-means clustering แก้ปัญหาข้อจำกัดสำคัญของ hierarchical clustering ที่กล่าวถึงในบทก่อน เนื่องจาก dendrogram เป็นเครื่องมือเฉพาะของ hierarchical clustering บทนี้จึงนำเสนอวิธีหนึ่งในการหาจำนวนกลุ่มก่อนรัน k-means clustering และปิดท้ายด้วยการพูดถึงข้อจำกัดของ k-means clustering พร้อมข้อควรพิจารณาในการใช้อัลกอริทึมนี้
4
Clustering ในโลกความเป็นจริง
เมื่อคุ้นเคยกับเทคนิค clustering ยอดนิยมทั้งสองแบบแล้ว บทนี้จะช่วยให้นำความรู้ไปประยุกต์ใช้กับปัญหาจริง เริ่มด้วยการค้นหาสีหลักในภาพ จากนั้นต่อด้วยโจทย์ที่กล่าวถึงตั้งแต่ต้น นั่นคือการจัดกลุ่มบทความข่าว และปิดท้ายด้วยการพูดถึง clustering ที่ใช้ตัวแปรหลายตัวพร้อมกัน ซึ่งทำให้การแสดงภาพข้อมูลทั้งหมดเป็นเรื่องท้าทาย
การวิเคราะห์กลุ่มข้อมูลใน Python
เรียนจบแล้ว
