Ana içeriğe atla

Kurs

Python'da Unsupervised Learning

Orta4 sa

Scikit-learn ve scipy kullanarak etiketlenmemiş veri kümelerini kümelemeyi, dönüştürmeyi, görselleştirmeyi ve bunlardan içgörüler elde etmeyi öğrenin.

Python4 sa13 video52 Alıştırma4,150 XP180K+Başarı belgesi

Ücretsiz Hesap Oluşturun

Google ile devam edin
veya
Devam ederek şu belgeleri kabul etmiş olursunuz: Kullanım Şartları, bizim Gizlilik Politikası ve verilerinizin ABD'de depolandığını.

Binlerce şirketteki öğrenciler tarafından seviliyor

Bir Ekibi mi Eğitiyorsunuz?

İşletmeler için Dene

Kurs Açıklaması

Diyelim ki yaş, konum ve finansal geçmiş gibi çeşitli özelliklere sahip bir müşteri koleksiyonun var ve kalıpları keşfedip onları kümelere ayırmak istiyorsun. Ya da elinde Wikipedia sayfaları gibi bir metin kümesi var ve içeriklerine göre kategorilere ayırmak istiyorsun. İşte bu, unsupervised learning dünyasıdır; böyle adlandırılır çünkü bir tahmin göreviyle kalıp keşfini yönlendirmez, yani supervise etmezsin; bunun yerine etiketlenmemiş veriden gizli yapıyı ortaya çıkarırsın. Unsupervised learning, kümeleme, boyut indirgeme ve matris çarpanlarına ayırma gibi Machine Learning tekniklerinin geniş bir yelpazesini kapsar. Bu kursta, unsupervised learning'in temellerini öğrenecek ve scikit-learn ile SciPy kullanarak temel algoritmaları uygulayacaksın. Etiketlenmemiş veri kümelerini nasıl kümeleyeceğini, dönüştüreceğini, görselleştireceğini ve içgörü çıkaracağını öğrenecek ve kursu popüler müzik sanatçılarını önerebilen bir öneri sistemi kurarak bitireceksin.Videolarda, videoların sol alt köşesindeki "Show transcript"e tıklayarak açabileceğin canlı transkriptler bulunur. Kurs sözlüğünü sağdaki kaynaklar bölümünde bulabilirsin.CPE kredisi almak için kursu tamamlaman ve nitelikli değerlendirmede %70 puana ulaşman gerekir. Sağda yer alan CPE kredileri duyurusuna tıklayarak değerlendirmeye gidebilirsin.

Ön Koşullar

Müfredat

Kurs içeriği

2

Hiyerarşik Kümeleme ve t-SNE ile Görselleştirme

Bu bölümde, veri görselleştirme için iki unsupervised learning tekniğini öğreneceksin: hiyerarşik kümeleme ve t-SNE. Hiyerarşik kümeleme, veri örneklerini giderek daha kaba kümelerde birleştirerek ortaya çıkan küme hiyerarşisinin ağaç görselleştirmesini sağlar. t-SNE ise veri örneklerini 2 boyutlu uzaya eşleyerek örneklerin birbirlerine yakınlığını görselleştirmeni mümkün kılar.
Bölüme Başla
3

Verini İlişkisizleştirme ve Boyut İndirgeme

Boyut indirgeme, bir veri kümesini sık görülen kalıplarıyla özetler. Bu bölümde, boyut indirgeme tekniklerinin en temeli olan "Principal Component Analysis" ("PCA") yöntemini öğreneceksin. PCA, model performansını ve genelleme yeteneğini artırmak için çoğunlukla supervised learning'den önce kullanılır. Unsupervised learning için de faydalı olabilir. Örneğin, bir PCA varyantını kullanarak Wikipedia makalelerini içeriklerine göre kümleyebileceksin!
Bölüme Başla
4

Yorumlanabilir Özellikler Keşfetme

Bu bölümde, örnekleri yorumlanabilir parça birleşimleri olarak ifade eden bir boyut indirgeme tekniği olan "Non-negative matrix factorization" ("NMF") yöntemini öğreneceksin. Örneğin, belgeleri konu birleşimleriyle ve görselleri sık görülen görsel kalıplarla ifade eder. Ayrıca, dinleme geçmişinle eşleşen müzik sanatçılarını veya okumak için benzer makaleleri bulabilen öneri sistemleri kurmak üzere NMF kullanmayı da öğreneceksin!
Bölüme Başla

Python'da Unsupervised Learning

Kurs
Tamamlandı

Başarı Belgesi Kazanın

Hemen Kaydolun

DataCamp for Mobile ile veri becerilerinizi geliştirin

Mobil kurslarımız ve günde 5 dakikalık kodlama görevlerimizle hareket halindeyken ilerleme kaydedin.