After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Опис курсу
Припустімо, у вас є група клієнтів із різними характеристиками, як-от вік, місце проживання та фінансова історія, і ви хочете виявити закономірності та згрупувати їх у кластери. Або у вас є набір текстів, наприклад сторінки Вікіпедії, і ви хочете розподілити їх за категоріями на основі змісту. Це світ навчання без учителя — так названого тому, що ви не керуєте, не «наглядаєте» за пошуком закономірностей через задачу передбачення, а натомість відкриваєте приховану структуру в нерозмічених даних. Навчання без учителя охоплює різні методи машинного навчання — від кластеризації до зменшення розмірності та факторизації матриць. У цьому курсі ви опануєте основи навчання без учителя й реалізуєте ключові алгоритми за допомогою scikit-learn і SciPy. Ви навчитеся кластеризувати, перетворювати, візуалізувати та отримувати інсайти з нерозмічених наборів даних, а наприкінці курсу побудуєте систему рекомендацій для популярних музичних виконавців.У відео є живі транскрипти, які можна відкрити, натиснувши "Show transcript" у нижньому лівому куті відео.
Глосарій курсу розміщено праворуч у розділі ресурсів.Щоб отримати кредити CPE, потрібно пройти курс і набрати 70% у кваліфікаційній перевірці. Перейти до перевірки можна, натиснувши на блок CPE credits праворуч.
Попередні вимоги
Навчальний план
Зміст курсу
1
Кластеризація для дослідження наборів даних
Дізнайтеся, як знаходити приховані групи (або «кластери») у наборі даних. Наприкінці розділу ви кластеризуватимете компанії за їхніми біржовими цінами та відрізнятимете види, кластеризуючи їхні вимірювання.
- Наскрізне навчання без учителя50 XP
- Скільки кластерів?50 XP
- Кластеризація двовимірних точок100 XP
- Перевірте своє кластеризування100 XP
- Оцінювання кластеризації50 XP
- Скільки кластерів у зерна?100 XP
- Оцінювання кластеризації зерна100 XP
- Перетворення ознак для кращого кластеризування50 XP
- Масштабування даних про риб для кластеризації100 XP
- Кластеризація даних про риб100 XP
- Кластеризація акцій за допомогою KMeans100 XP
- Які акції рухаються разом?100 XP
2
Візуалізація за допомогою ієрархічної кластеризації та t-SNE
У цьому розділі ви ознайомитеся з двома методами навчання без учителя для візуалізації даних: ієрархічною кластеризацією та t-SNE. Ієрархічна кластеризація об'єднує зразки даних у щораз грубіші кластери, утворюючи деревоподібну візуалізацію ієрархії кластерів. t-SNE відображає зразки даних у 2D-простір так, щоб можна було візуалізувати їхню взаємну близькість.
3
Декореляція даних і зменшення розмірності
Зменшення розмірності узагальнює набір даних через часто повторювані закономірності. У цьому розділі ви вивчите найважливіший метод зменшення розмірності — «аналіз головних компонент» («PCA»). PCA часто застосовують перед навчанням з учителем, щоб покращити якість і здатність моделі до узагальнення. Він також корисний для навчання без учителя. Наприклад, ви застосуєте варіант PCA, який дасть змогу кластеризувати статті Вікіпедії за їхнім змістом!
4
Виявлення інтерпретованих ознак
У цьому розділі ви вивчите метод зменшення розмірності «недодатна факторизація матриці» («NMF»), який подає зразки як поєднання інтерпретованих частин. Наприклад, він подає документи як комбінації тем, а зображення — через поширені візуальні патерни. Ви також навчитеся використовувати NMF для побудови систем рекомендацій, які підбиратимуть схожі статті для читання або музичних виконавців відповідно до вашої історії прослуховувань!
Наглядове навчання в Python
Курс
завершено
