Cette leçon fait partie du cours
Découverte des méthodes d’apprentissage non supervisé en Python
short_training6 chapitres · 54 leçons
Découvrez l’apprentissage non supervisé en Python.
1. Message de bienvenue1 leçon
La plateforme de formationabonnés
2. Explorer les données grâce aux techniques de regroupement12 leçons
Apprentissage non superviséabonnés Déterminer le nombre optimal de groupesabonnés Regrouper des points en deux dimensionsabonnés Analyser les résultats du regroupementabonnés Mesurer la qualité des groupes obtenusabonnés Choisir le nombre de groupes pour les grainesabonnés Évaluer les groupes formés à partir des grainesabonnés Préparer les variables pour obtenir de meilleurs regroupementsabonnés Standardiser les données de poissons avant le regroupementabonnés Identifier des groupes parmi les poissonsabonnés Classer les actions en groupes avec K-meansvous êtes ici Repérer les actions aux évolutions similairesabonnés
3. Explorer les données avec le clustering hiérarchique et la visualisation t-SNE12 leçons
Visualiser les structures hiérarchiques des donnéesabonnés Déterminer le nombre de fusions nécessairesabonnés Regrouper les données sur les graines par classification hiérarchiqueabonnés Analyser les relations hiérarchiques entre les actionsabonnés Attribuer des étiquettes aux groupes issus du clustering hiérarchiqueabonnés Identifier les groupes de données les plus prochesabonnés Comparer les regroupements hiérarchiques selon les méthodes de liaisonabonnés Étudier les regroupements à différents niveaux de la hiérarchieabonnés Extraire les étiquettes des groupes formésabonnés Projeter les données en deux dimensions avec t-SNEabonnés Visualiser les données sur les céréales avec t-SNEabonnés Cartographier les similitudes entre les actions avec t-SNEabonnés
4. Réduire la dimension des données et éliminer les corrélations redondantes13 leçons
Visualiser le fonctionnement de la PCAabonnés Repérer les corrélations naturelles entre les donnéesabonnés Décorréler les mesures des graines grâce à la PCAabonnés Identifier les composantes principalesabonnés Déterminer la dimension intrinsèque des donnéesabonnés Analyser le rôle de la première composante principaleabonnés Étudier la variance expliquée par les composantes de la PCAabonnés Estimer la dimension intrinsèque des données sur les poissonsabonnés Réduire le nombre de dimensions avec la PCAabonnés Simplifier les mesures des poissons grâce à la réduction dimensionnelleabonnés Représenter les mots avec les scores TF-IDFabonnés Regrouper les articles Wikipédia, première partieabonnés Poursuivre le regroupement des articles Wikipédia, deuxième partieabonnés
5. Identifier des caractéristiques faciles à interpréter15 leçons
Découvrir la factorisation matricielle non négative (NMF)abonnés Identifier les données composées de valeurs non négativesabonnés Appliquer la NMF aux articles Wikipédiaabonnés Extraire des caractéristiques des articles Wikipédia avec la NMFabonnés Reconstruire les données à partir des composantes NMFabonnés Décomposer les données en éléments interprétables grâce à la NMFabonnés Identifier les thèmes des documents avec la NMFabonnés Explorer le jeu de données des chiffres représentés par des LEDabonnés Extraire les composantes des images avec la NMFabonnés Comprendre pourquoi l’ACP ne permet pas d’identifier des parties distinctesabonnés Créer des systèmes de recommandation avec la NMFabonnés Trouver des articles similaires à celui de Cristiano Ronaldoabonnés Recommander des artistes musicaux, première partieabonnés Améliorer les recommandations d’artistes musicaux, deuxième partieabonnés Faire le point sur les méthodes de découverte de caractéristiques interprétablesabonnés
6. Conclusion1 leçon
Conclusion de la formationabonnés