Chuyển đến nội dung chính

Khóa học

Unsupervised Learning bằng Python

Trung cấp4 giờ

Học cách phân cụm, biến đổi, trực quan hóa và rút ra insight từ bộ dữ liệu chưa gán nhãn bằng scikit-learn và scipy.

Python4 giờ13 video52 bài tập4,150 XP180K+Giấy chứng nhận thành tích

Tạo tài khoản miễn phí

Tiếp tục với Google
hoặc
Bằng việc tiếp tục, ban chấp nhận Điều khoản sử dụng, của chúng tôi Chính sách bảo mật và rằng dữ liệu của bạn được lưu trữ tại Hoa Kỳ.

Được người học tại hàng nghìn công ty yêu thích

Đào tạo đội ngũ?

Dùng thử cho Doanh nghiệp

Mô tả khóa học

Giả sử bạn có một tập khách hàng với nhiều đặc điểm như độ tuổi, địa điểm và lịch sử tài chính, và bạn muốn khám phá các mẫu và phân nhóm họ thành các cụm. Hoặc có thể bạn có một tập văn bản, như các trang Wikipedia, và bạn muốn phân chia chúng vào các danh mục dựa trên nội dung. Đây là thế giới của unsupervised learning, được gọi như vậy vì bạn không dẫn dắt hay giám sát việc khám phá mẫu bằng một tác vụ dự đoán nào, mà thay vào đó là phát hiện cấu trúc ẩn trong dữ liệu không gán nhãn. Unsupervised learning bao gồm nhiều kỹ thuật trong Machine Learning, từ phân cụm đến giảm chiều đến phân rã ma trận. Trong khóa học này, bạn sẽ học các nền tảng của unsupervised learning và hiện thực các thuật toán thiết yếu bằng scikit-learn và SciPy. Bạn sẽ học cách phân cụm, biến đổi, trực quan hóa, và rút ra insight từ các tập dữ liệu không gán nhãn, và kết thúc khóa học bằng việc xây dựng một hệ gợi ý để đề xuất các nghệ sĩ âm nhạc phổ biến.Video có phụ đề trực tiếp mà bạn có thể hiển thị bằng cách nhấp vào "Show transcript" ở góc dưới bên trái của video. Bảng thuật ngữ của khóa học nằm bên phải trong phần tài nguyên.Để nhận tín chỉ CPE, bạn cần hoàn thành khóa học và đạt điểm 70% ở bài đánh giá đủ điều kiện. Bạn có thể đi đến bài đánh giá bằng cách nhấp vào hộp thông tin về tín chỉ CPE ở bên phải.

Yêu cầu tiên quyết

Chương trình học

Đề cương khóa học

1

Phân cụm để Khám phá Tập dữ liệu

2

Trực quan hóa với Phân cụm Phân cấp và t-SNE

Trong chương này, bạn sẽ học hai kỹ thuật unsupervised learning để trực quan hóa dữ liệu: phân cụm phân cấp và t-SNE. Phân cụm phân cấp gộp các mẫu dữ liệu vào các cụm ngày càng thô hơn, tạo ra một sơ đồ cây thể hiện thứ bậc các cụm. t-SNE ánh xạ các mẫu dữ liệu vào không gian 2D để bạn có thể trực quan hóa mức độ gần nhau giữa các mẫu.
Bắt đầu chương
3

Khử tương quan Dữ liệu và Giảm Chiều

Giảm chiều tóm tắt một tập dữ liệu bằng các mẫu lặp lại phổ biến của nó. Trong chương này, bạn sẽ học về kỹ thuật giảm chiều nền tảng nhất, "Principal Component Analysis" ("PCA"). PCA thường được dùng trước supervised learning để cải thiện hiệu suất và khả năng khái quát hóa của mô hình. Nó cũng hữu ích cho unsupervised learning. Ví dụ, bạn sẽ dùng một biến thể của PCA cho phép bạn phân cụm các bài viết Wikipedia theo nội dung!
Bắt đầu chương
4

Khám phá Các Đặc trưng Dễ Diễn giải

Trong chương này, bạn sẽ học về một kỹ thuật giảm chiều gọi là "Non-negative matrix factorization" ("NMF") giúp biểu diễn các mẫu như sự kết hợp của các phần có thể diễn giải. Chẳng hạn, nó biểu diễn tài liệu như sự kết hợp của các chủ đề, và hình ảnh theo các mẫu hình thị giác thường gặp. Bạn cũng sẽ học cách dùng NMF để xây dựng hệ gợi ý có thể tìm các bài viết tương tự để đọc, hoặc các nghệ sĩ âm nhạc phù hợp với lịch sử nghe của bạn!
Bắt đầu chương

Unsupervised Learning bằng Python

Hoàn
thành khóa học

Nhận Chứng nhận Hoàn thành

Đăng ký ngay

Phát triển kỹ năng dữ liệu với DataCamp for Mobile

Tiến bộ mọi lúc mọi nơi với các khóa học di động và thử thách lập trình 5 phút hàng ngày.