الرئيسيةالدروساكتشاف طرق التعلم غير الخاضع للإشراف باستخدام Python

تحديد العدد الأمثل للمجموعات

الفصل 2 · استكشاف البيانات بتقنيات التجميع · الدرس 3 من 54
متاحة للمشتركين فقط — إليك بدايتها
متابعة هذا الدرس متاحة للمشتركين فقط أنشئ حسابك المجاني لتجربة التمارين التوضيحية، ثم انتقل إلى الوصول الكامل متى شئت.

أنشئ حسابك المجاني

بدون بطاقة بنكية، في ثلاثين ثانية.
المتابعة باستخدام Google
أو
التسجيل بالبريد الإلكتروني
لديك حساب بالفعل؟ تسجيل الدخول
بمتابعتك، فإنك توافق على شروط الاستخدام وسياسة الخصوصية. تُستضاف بياناتك داخل الاتحاد الأوروبي.

الوصول الكامل إلى DATAGOZ

19 €/ شهريًا — أو 190 € / سنويًا
  • جميع الدورات المنشورة والمسارات المهنية
  • تمارين واختبارات قصيرة مصحَّحة تلقائيًا
  • تدريب وامتحان وشهادة متابعة
  • بدون التزام، ويمكن الإلغاء عبر الإنترنت
عرض الصيغ
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.

  • منصة التدريبمشتركون
  • 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
الدرس التالي

تجميع النقاط في بُعدين

عرض البرنامج أنشئ حسابًا للمتابعة