AccueilCoursDécouverte des méthodes d’apprentissage non supervisé en Python

Préparer les variables pour obtenir de meilleurs regroupements

Chapitre 2 · Explorer les données grâce aux techniques de regroupement · leçon 9 sur 54
Réservée aux abonnés — voici son début
Ensemble de données sur les vins du Piémont Le jeu de données sur les vins du Piémont contient 178 échantillons de vin rouge provenant de cette région d'Italie. Les variables décrivent leur composition chimique, notamment leur teneur en alcool, ainsi que certaines propriétés visuelles, comme l'intensité de leur couleur. Les échantillons appartiennent à trois cépages distincts. Regroupement des vins Le tableau contenant les échantillons peut être utilisé avec l'algorithme KMeans afin d'identifier trois groupes parmi les vins. Groupes et variétés Puisque les vins proviennent de trois cépages différents, la fonction crosstab de pandas permet de vérifier la correspondance entre les étiquettes de
La suite de cette leçon est réservée aux abonnés Créez votre compte gratuit pour tester les exercices d’exemple, puis passez à l'accès complet quand vous le souhaitez.

Créez votre compte gratuit

Sans carte bancaire, en trente secondes.
Continuer avec Google
ou
S'inscrire avec un e-mail
Déjà inscrit ? Se connecter
En continuant, vous acceptez les conditions d'utilisation et la politique de confidentialité. Vos données sont hébergées dans l'Union européenne.

Accès complet DATAGOZ

19 €/ mois — ou 190 € / an
  • Tous les cours publiés et les parcours métier
  • Exercices et quiz corrigés automatiquement
  • Entraînement, examen et attestation de suivi
  • Sans engagement, résiliable en ligne
Voir les formules
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.

  • La plateforme de formationabonnés
  • 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 regroupementsvous êtes ici
  • Standardiser les données de poissons avant le regroupementabonnés
  • Identifier des groupes parmi les poissonsabonnés
  • Classer les actions en groupes avec K-meansabonnés
  • Repérer les actions aux évolutions similairesabonnés
  • 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
  • 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
  • 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
  • Conclusion de la formationabonnés
Leçon suivante

Standardiser les données de poissons avant le regroupement

Voir le programme Créer un compte pour continuer