After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Опис курсу
Ви, ймовірно, бачили Google News, де схожі новини автоматично групуються за темами. Чи замислювалися ви, як саме формується така група в бекграунді? У цьому курсі ви познайомитеся з навчанням без учителя через кластеризацію за допомогою бібліотеки SciPy у Python. Курс охоплює попередню обробку даних та застосування ієрархічної кластеризації й k-means. Упродовж курсу ви дослідите статистику гравців із популярної футбольної відеогри FIFA 18. Після завершення курсу ви зможете швидко застосовувати різні алгоритми кластеризації до даних, візуалізувати отримані кластери та аналізувати результати.
Попередні вимоги
Навчальний план
Зміст курсу
1
Вступ до кластеризації
Перш ніж класифікувати новинні статті, варто розібратися з основами кластеризації. У цьому розділі ви познайомитеся з класом алгоритмів машинного навчання, що називається навчанням без учителя, а також із кластеризацією — одним із найпопулярніших алгоритмів цього типу. Ви дізнаєтеся про дві поширені техніки кластеризації — ієрархічну кластеризацію та k-means. Розділ завершується базовими кроками попередньої обробки перед тим, як почати кластеризувати дані.
- Наглядове навчання: основи50 XP
- Некероване навчання у реальному світі50 XP
- Помічені Pokémon100 XP
- Основи кластерного аналізу50 XP
- Спостереження за Pokémon: ієрархічне кластеризування100 XP
- Спостереження за Pokémon: кластеризація k-means100 XP
- Підготовка даних для кластерного аналізу50 XP
- Нормалізуйте базові дані списку100 XP
- Візуалізація нормалізованих даних100 XP
- Нормалізація малих чисел100 XP
- FIFA 18: Нормалізуйте дані100 XP
2
Ієрархічна кластеризація
У цьому розділі зосереджено увагу на популярному алгоритмі кластеризації — ієрархічній кластеризації — та її реалізації в SciPy. Окрім процедури виконання ієрархічної кластеризації, розділ допоможе вам відповісти на важливе запитання: скільки кластерів є у ваших даних? Наприкінці обговорюються обмеження ієрархічної кластеризації та важливі міркування щодо її використання.
3
Кластеризація k-means
Цей розділ знайомить з іншим алгоритмом кластеризації — k-means — та його реалізацією в SciPy. K-means долає головний недолік ієрархічної кластеризації, розглянутий у попередньому розділі. Оскільки дендограмами користуються лише в ієрархічній кластеризації, тут розглядається один зі способів визначити кількість кластерів перед запуском k-means. Наприкінці наведено обмеження k-means і міркування щодо використання цього алгоритму.
4
Кластеризація у реальному світі
Тепер, коли ви ознайомилися з двома найпопулярнішими техніками кластеризації, цей розділ допоможе застосувати знання до реальних задач. Спершу розглянемо визначення домінантних кольорів на зображенні, а далі повернемося до задачі з вступу — кластеризації новинних статей. Завершимо обговоренням кластеризації з багатьма змінними, що ускладнює візуалізацію всіх даних.
Кластерний аналіз у Python
Курс
завершено
