After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Опис курсу
Мішанинне моделювання дає змогу описувати популяції, коли нас цікавить їхня неоднорідність. Мішанинні моделі використовують знайомі розподіли ймовірностей (наприклад, Gaussian, Poisson, Binomial), забезпечуючи зручну й водночас формальну статистичну основу для кластеризації та класифікації. На відміну від стандартних підходів до кластеризації, ми можемо оцінювати імовірність належності до кластера та робити висновки щодо підпопуляцій. Наприклад, у маркетингу ви можете кластеризувати різні групи клієнтів і визначати їхні імовірності купівлі певних товарів, щоб краще таргетувати персоналізованими акціями. Застосовуючи оброблення природної мови до великого набору документів, ви можете розбивати їх на теми та розуміти, наскільки важлива кожна тема в кожному документі. У цьому курсі ви дізнаєтеся, що таке мішанинні моделі, як їх оцінюють і коли їх доцільно застосовувати!
Попередні вимоги
Навчальний план
Зміст курсу
1
Вступ до мішанинних моделей
У цьому розділі ви познайомитеся з основами кластеризації на основі моделей і тим, чим цей підхід відрізняється від інших технік кластеризації. Ви вивчите процес породження Gaussian Mixture Models, а також те, як візуалізувати кластери.
- Вступ до кластеризації на основі моделей50 XP
- Підходи до кластеризації50 XP
- Дослідіть дані про стать100 XP
- Розподіл Гауса50 XP
- Вибірка з розподілу Гауса100 XP
- (не надто вдале) Оцінювання середнього та стандартного відхилення100 XP
- Моделі гауссових сумішей (GMM)50 XP
- Змоделюйте суміш двох гаусових розподілів100 XP
- Побудуйте гістограму Gaussian Mixture100 XP
- Суміш трьох нормальних розподілів100 XP
2
Структура мішанинних моделей і оцінювання параметрів
У цьому розділі ви ознайомитеся з основною структурою мішанинних моделей, з тим, як працювати з різними типами даних у цьому підході, і як оцінювати задіяні параметри. Для оцінювання ви вивчите ітеративний метод під назвою алгоритм очікування-максимізації (Expectation-Maximization).
3
Мішанинні Gaussian з `flexmix`
У цьому розділі показано, як навчати Gaussian Mixture Models в 1 і 2 вимірах за допомогою пакета `flexmix`. Використано дані з 10 000 спостережень про людей: вага, зріст, індекс маси тіла та вказана стать.
4
Мішанинні моделі поза Gaussian
У цьому модулі ви дізнаєтеся, як мішанинні моделі узагальнюються на розподіли ймовірностей, відмінні від Gaussian, і як ці моделі навчаються за допомогою `flexmix`. Набори даних — це зображення рукописних цифр і кількість злочинів у місті Чикаго. Для першого набору ви знайдете кластери, що узагальнюють рукописні цифри, а для другого — кластери громад, де жити більш чи менш небезпечно.
R
Мішанинні моделі в R
Курс
завершено
