هذا الدرس جزء من الدورة
اكتشاف طرق التعلم غير الخاضع للإشراف باستخدام Python
short_training6 فصول · 54 درسًا
اكتشف التعلم غير الخاضع للإشراف في Python.
- التعلم غير المُوجَّهالمشتركون
- تحديد العدد الأمثل للمجموعاتأنت هنا
- تجميع النقاط في بُعدينمشترك
- تحليل نتائج التجميعمشترك
- قياس جودة المجموعات المحصَّل عليهامشترك
- اختيار عدد المجموعات للبذورمشترك
- تقييم المجموعات المكوَّنة انطلاقًا من البذورمشترك
- إعداد المتغيرات للحصول على تجميعات أفضلمشترك
- توحيد مقياس بيانات الأسماك قبل التجميعمشترك
- تحديد مجموعات بين الأسماكمشترك
- تصنيف الأسهم في مجموعات باستخدام K-meansمشترك
- رصد الأسهم ذات التطورات المتشابهةمشترك
- تصوّر البنى الهرمية للبياناتالمشتركون
- تحديد عدد عمليات الدمج اللازمةالمشتركون
- تجميع بيانات البذور بالتصنيف الهرميالمشتركون
- تحليل العلاقات الهرمية بين الإجراءاتالمشتركون
- إسناد تسميات إلى المجموعات الناتجة عن التجميع الهرميالمشتركون
- تحديد مجموعات البيانات الأقرب بعضها إلى بعضالمشتركون
- مقارنة التجميعات الهرمية وفق طرق الربطالمشتركون
- دراسة التجميعات على مستويات مختلفة من الهرمالمشتركون
- استخراج تسميات المجموعات المُكوَّنةالمشتركون
- إسقاط البيانات في بعدين باستخدام t-SNEالمشتركون
- تصوّر بيانات الحبوب باستخدام t-SNEالمشتركون
- رسم خريطة للتشابهات بين الإجراءات باستخدام t-SNEالمشتركون
- تصوّر آلية عمل تحليل المكوّنات الرئيسية (PCA)مشتركون
- رصد الارتباطات الطبيعية بين البياناتمشتركون
- فصل مقاييس البذور عن بعضها باستخدام تحليل المكوّنات الرئيسية (PCA)مشتركون
- تحديد المكوّنات الرئيسيةمشتركون
- تحديد البُعد الداخلي للبياناتمشتركون
- تحليل دور المكوّن الرئيسي الأولمشتركون
- دراسة التباين المفسَّر بمكوّنات تحليل المكوّنات الرئيسية (PCA)مشتركون
- تقدير البُعد الداخلي للبيانات على أساس بيانات الأسماكمشتركون
- تقليل عدد الأبعاد باستخدام تحليل المكوّنات الرئيسية (PCA)مشتركون
- تبسيط قياسات الأسماك عبر تقليص الأبعادمشتركون
- تمثيل الكلمات بواسطة درجات TF-IDFمشتركون
- تجميع مقالات ويكيبيديا، الجزء الأولمشتركون
- متابعة تجميع مقالات ويكيبيديا، الجزء الثانيمشتركون
- اكتشاف التحليل المصفوفي غير السالب (NMF)مشتركون
- تحديد البيانات المكوّنة من قيم غير سالبةمشتركون
- تطبيق NMF على مقالات ويكيبيديامشتركون
- استخراج الخصائص من مقالات ويكيبيديا باستخدام NMFمشتركون
- إعادة بناء البيانات انطلاقًا من مكوّنات NMFمشتركون
- تفكيك البيانات إلى عناصر قابلة للتفسير بفضل NMFمشتركون
- تحديد مواضيع المستندات باستخدام NMFمشتركون
- استكشاف مجموعة بيانات الأرقام الممثلة بمصابيح LEDمشتركون
- استخراج مكوّنات الصور باستخدام NMFمشتركون
- فهم سبب عدم تمكن تحليل المكونات الرئيسية من تحديد أجزاء متمايزةمشترك
- إنشاء أنظمة توصية باستخدام التحليل العاملي للمصفوفات غير السالبةمشترك
- إيجاد مقالات مشابهة لمقال كريستيانو رونالدومشترك
- توصية بفنانين موسيقيين، الجزء الأولمشترك
- تحسين توصيات الفنانين الموسيقيين، الجزء الثانيمشترك
- مراجعة شاملة لطرق اكتشاف الخصائص القابلة للتفسيرمشترك
- خاتمة الدورة التدريبيةمشترِكون