StartseiteKurseEinführung in die Methoden des unüberwachten Lernens in Python

Die optimale Anzahl an Gruppen bestimmen

Kapitel 2 · Daten erkunden mit Clustering-Techniken · Lektion 3 von 54
Nur für Abonnenten — hier ist der Anfang
Der weitere Verlauf dieser Lektion ist Abonnenten vorbehalten Erstellen Sie Ihr kostenloses Konto, um die Beispielübungen zu testen, und wechseln Sie dann jederzeit zum vollständigen Zugang.

Erstellen Sie Ihr kostenloses Konto

Ohne Kreditkarte, in dreißig Sekunden.
Mit Google fortfahren
oder
Mit E-Mail registrieren
Schon registriert? Anmelden
Mit der Fortsetzung akzeptieren Sie die Nutzungsbedingungen und die Datenschutzrichtlinie. Ihre Daten werden in der Europäischen Union gehostet.

DATAGOZ Vollzugang

19 €/ Monat — oder 190 € / Jahr
  • Alle veröffentlichten Kurse und Berufspfade
  • Übungen und Quizze mit automatischer Korrektur
  • Training, Prüfung und Teilnahmebescheinigung
  • Ohne Verpflichtung, online kündbar
Tarife ansehen
Diese Lektion gehört zum Kurs

Entdeckung der unüberwachten Lernmethoden in Python

short_training6 Kapitel · 54 Lektionen

Entdecken Sie das unüberwachte Lernen in Python.

  • Die SchulungsplattformAbonnenten
  • Unüberwachtes LernenAbonnenten
  • Die optimale Anzahl von Gruppen bestimmenSie sind hier
  • Punkte in zwei Dimensionen gruppierenAbonnenten
  • Die Ergebnisse des Clusterings analysierenAbonnenten
  • Die Qualität der erhaltenen Gruppen messenAbonnenten
  • Die Anzahl der Gruppen für die Seeds wählenAbonnenten
  • Die aus den Seeds gebildeten Gruppen bewertenAbonnenten
  • Variablen für bessere Clusterings vorbereitenAbonnenten
  • Die Daten zu Fischen vor der Gruppierung standardisierenAbonnenten
  • Gruppen unter den Fischen identifizierenAbonnenten
  • Aktien mit K-Means in Gruppen einteilenAbonnenten
  • Aktien mit ähnlicher Entwicklung erkennenAbonnenten
  • Hierarchische Strukturen von Daten visualisierenAbonnenten
  • Die Anzahl der nötigen Fusionen bestimmenAbonnenten
  • Die Saatgut-Daten mittels hierarchischer Klassifikation gruppierenAbonnenten
  • Die hierarchischen Beziehungen zwischen Aktien analysierenAbonnenten
  • Gruppen aus dem hierarchischen Clustering mit Labels versehenAbonnenten
  • Die nächstgelegenen Datengruppen identifizierenAbonnenten
  • Hierarchische Gruppierungen nach Verknüpfungsmethoden vergleichenAbonnenten
  • Die Gruppierungen auf verschiedenen Ebenen der Hierarchie untersuchenAbonnenten
  • Die Etiketten der gebildeten Gruppen extrahierenAbonnenten
  • Daten mit t-SNE in zwei Dimensionen projizierenAbonnenten
  • Die Getreidedaten mit t-SNE visualisierenAbonnenten
  • Die Ähnlichkeiten zwischen Aktien mit t-SNE kartierenAbonnenten
  • Die Funktionsweise der PCA visualisierenAbonnenten
  • Natürliche Korrelationen zwischen den Daten erkennenAbonnenten
  • Die Messungen der Samen mithilfe der PCA dekorrelierenAbonnenten
  • Die Hauptkomponenten identifizierenAbonnenten
  • Die intrinsische Dimension der Daten bestimmenAbonnenten
  • Die Rolle der ersten Hauptkomponente analysierenAbonnenten
  • Die durch die Hauptkomponenten erklärte Varianz untersuchen (PCA)Abonnenten
  • Die intrinsische Dimension der Fischdaten schätzenAbonnenten
  • Die Anzahl der Dimensionen mit der PCA reduzierenAbonnenten
  • Fischmessungen mithilfe der Dimensionsreduktion vereinfachenAbonnenten
  • Wörter mit TF-IDF-Werten darstellenAbonnenten
  • Wikipedia-Artikel gruppieren, Teil 1Abonnenten
  • Das Gruppieren von Wikipedia-Artikeln fortsetzen, Teil 2Abonnenten
  • Die nichtnegative Matrixfaktorisierung (NMF) entdeckenAbonnenten
  • Daten mit nichtnegativen Werten erkennenAbonnenten
  • Die NMF auf Wikipedia-Artikel anwendenAbonnenten
  • Merkmale aus Wikipedia-Artikeln mit der NMF extrahierenAbonnenten
  • Daten aus den NMF-Komponenten rekonstruierenTeilnehmer
  • Daten mithilfe der NMF in interpretierbare Bestandteile zerlegenTeilnehmer
  • Themen von Dokumenten mit der NMF identifizierenTeilnehmer
  • Den Datensatz der durch LEDs dargestellten Ziffern erkundenTeilnehmer
  • Bestandteile von Bildern mit der NMF extrahierenTeilnehmer
  • Verstehen, warum die PCA keine eindeutig getrennten Teile identifizieren kannTeilnehmer
  • Empfehlungssysteme mit der NMF erstellenTeilnehmer
  • Artikel finden, die dem über Cristiano Ronaldo ähnelnTeilnehmer
  • Musikkünstler empfehlen, Teil 1Teilnehmer
  • Die Empfehlungen für Musikkünstler verbessern, Teil 2Teilnehmer
  • Ein Überblick über Methoden zur Entdeckung interpretierbarer MerkmaleTeilnehmer
  • Abschluss der SchulungAbonnenten
Nächste Lektion

Punkte in zwei Dimensionen gruppieren

Programm anzeigen Konto erstellen, um fortzufahren