Bu kursları tamamladıktan sonra profesyonel görselleştirmeler ve panolar oluşturma konusunda kendime güveniyorum
Shoebur RahmanSatın Alma Uzmanı, Giz Bangladesh
Kurs Açıklaması
Muhtemelen, benzer haberleri bir konu altında otomatik olarak gruplandıran Google News ile karşılaşmışsındır. Bu gruplara nasıl ulaşıldığını arka planda hangi sürecin çalıştırdığını hiç merak ettin mi? Bu derste, Python’daki SciPy kütüphanesini kullanarak kümeler aracılığıyla gözetimsiz öğrenmeye giriş yapacaksın. Ders; verilerin ön işlenmesini ve hiyerarşik ile k-means kümeleme yöntemlerinin uygulanmasını kapsar. Ders boyunca popüler bir futbol video oyunu olan FIFA 18’den oyuncu istatistiklerini inceleyeceksin. Dersi tamamladığında, veriler üzerinde farklı kümeleme algoritmalarını hızla uygulayabilecek, oluşan kümeleri görselleştirip sonuçları analiz edebileceksin.
Ön Koşullar
Müfredat
Kurs planı
1
Kümeye Giriş
Haber makalelerini sınıflandırmaya hazır olmadan önce, kümelemenin temellerine giriş yapman gerekiyor. Bu bölümde, gözetimsiz öğrenme adı verilen bir Machine Learning algoritmaları sınıfıyla tanışacak, ardından en popüler gözetimsiz öğrenme yöntemlerinden biri olan kümelemeyi öğreneceksin. İki yaygın kümeleme tekniğini — hiyerarşik kümeleme ve k-means kümelemeyi — öğreneceksin. Bölüm, verileri kümelemeye başlamadan önce yapılacak temel ön işleme adımlarıyla sona erer.
- Unsupervised learning: temel bilgiler50 XP
- Gerçek dünyada unsupervised learning50 XP
- Pokémon gözlemleri100 XP
- Kümeleme analizinin temelleri50 XP
- Pokémon görümleri: hiyerarşik kümeleme100 XP
- Pokémon gözlemleri: k-means kümeleme100 XP
- Kümeleme analizi için veri hazırlığı50 XP
- Temel liste verisini normalize et100 XP
- Normalize edilmiş veriyi görselleştir100 XP
- Küçük sayıların normalizasyonu100 XP
- FIFA 18: Verileri normalize et100 XP
2
Hiyerarşik Kümeleme
Bu bölüm, popüler bir kümeleme algoritması olan hiyerarşik kümelemeye ve bunun SciPy ile uygulanmasına odaklanır. Hiyerarşik kümelemeyi gerçekleştirme adımlarına ek olarak, verilerinde kaç küme olduğunu belirlemene yardımcı olacak önemli bir soruyu yanıtlamayı amaçlar. Bölüm, hiyerarşik kümelemenin sınırlamaları ve bu yöntemi kullanırken dikkat edilmesi gereken noktalarla ilgili bir tartışma ile sona erer.
3
K-means Kümeleme
Bu bölüm, farklı bir kümeleme algoritması olan k-means kümelemeyi ve onun SciPy ile uygulanmasını tanıtır. K-means kümeleme, önceki bölümde tartışılan hiyerarşik kümelemenin en büyük dezavantajını aşar. Dendrogramlar yalnızca hiyerarşik kümelemede kullanıldığından, bu bölüm k-means kümelemeyi çalıştırmadan önce küme sayısını bulmanın bir yöntemini ele alır. Bölüm, k-means kümelemenin sınırlamaları ve bu algoritmayı kullanırken dikkat edilmesi gerekenler üzerine bir tartışma ile sona erer.
4
Gerçek Dünyada Kümeleme
Artık en popüler iki kümeleme tekniğine aşina olduğuna göre, bu bölüm bu bilgiyi gerçek dünya problemlerine uygulamana yardımcı olur. Önce bir görselde baskın renkleri bulma sürecini ele alır, ardından girişte bahsedilen probleme — haber makalelerinin kümelenmesine — geçer. Bölüm, çok değişkenli kümeleme üzerine bir tartışmayla sona erer; bu durum tüm verileri görselleştirmeyi zorlaştırır.
Python ile Kümeleme Analizi
Kurs
Tamamlandı
