Diese Lektion gehört zum Kurs
Entdeckung der unüberwachten Lernmethoden in Python
short_training6 Kapitel · 54 Lektionen
Entdecken Sie das unüberwachte Lernen in Python.
1. Willkommensnachricht1 Lektion
Die SchulungsplattformAbonnenten
2. Daten mit Clustering-Techniken erkunden12 Lektionen
Unüberwachtes LernenAbonnenten Die optimale Anzahl an Gruppen bestimmenAbonnenten 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 ähnlichen Kursverläufen erkennenSie sind hier
3. Daten mit hierarchischem Clustering und t-SNE-Visualisierung erkunden12 Lektionen
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
4. Die Dimension der Daten reduzieren und redundante Korrelationen eliminieren13 Lektionen
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
5. Leicht interpretierbare Merkmale identifizieren15 Lektionen
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
6. Fazit1 Lektion
Abschluss der SchulungAbonnenten