After doing these courses, I feel confident creating professional visualizations and dashboards
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
1
Veri Kümesini Keşfetmek için Kümeleme
Bir veri kümesindeki temel grupları (ya da "kümeleri") nasıl keşfedeceğini öğren. Bu bölümün sonunda, şirketleri borsa fiyatlarına göre kümeliyor ve ölçümlerini kümeleyerek farklı türleri ayırt ediyor olacaksın.
- Unsupervised Learning50 XP
- Kaç küme var?50 XP
- 2B noktaları kümeleme100 XP
- Kümelemeni incele100 XP
- Bir kümelenmeyi değerlendirme50 XP
- Kaç tahıl kümesi var?100 XP
- Tahıl kümelemesini değerlendirme100 XP
- Daha iyi kümelenmeler için özellikleri dönüştürme50 XP
- Kümelenme için balık verilerini ölçekleme100 XP
- Balık verilerini kümeleme100 XP
- KMeans ile hisseleri kümeleme100 XP
- Hangi hisseler birlikte hareket ediyor?100 XP
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.
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!
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!
Python'da Unsupervised Learning
Kurs
Tamamlandı

