Esta lección forma parte del curso
Descubrimiento de los métodos de aprendizaje no supervisado en Python
short_training6 capítulos · 54 lecciones
Descubra el aprendizaje no supervisado en Python.
1. Mensaje de bienvenida1 lección
La plataforma de formaciónsuscriptores
2. Explorar los datos con las técnicas de agrupamiento12 lecciones
Aprendizaje no supervisadosuscriptores Determinar el número óptimo de gruposabonados Agrupar puntos en dos dimensionesabonados Analizar los resultados del agrupamientoabonados Medir la calidad de los grupos obtenidossuscriptores Elegir el número de grupos para las semillassuscriptores Evaluar los grupos formados a partir de las semillassuscriptores Preparar las variables para obtener mejores agrupacionessuscriptores Estandarizar los datos de peces antes de la agrupaciónestás aquí Identificar grupos entre los pecessuscriptores Clasificar las acciones en grupos con K-meanssuscriptores Detectar las acciones con evoluciones similaressuscriptores
3. Explorar los datos con el clustering jerárquico y la visualización t-SNE12 lecciones
Visualizar las estructuras jerárquicas de los datossuscriptores Determinar el número de fusiones necesariassuscriptores Agrupar los datos sobre semillas mediante clustering jerárquicoabonnés Analizar las relaciones jerárquicas entre las accionesabonnés Asignar etiquetas a los grupos obtenidos del clustering jerárquicoabonnés Identificar los grupos de datos más cercanosabonnés Comparar las agrupaciones jerárquicas según los métodos de enlaceabonnés Estudiar las agrupaciones en distintos niveles de la jerarquíaabonnés Extraer las etiquetas de los grupos formadosabonnés Proyectar los datos en dos dimensiones con t-SNEabonnés Visualizar los datos sobre cereales con t-SNEabonnés Cartografiar las similitudes entre las acciones con t-SNEabonnés
4. Reducir la dimensión de los datos y eliminar las correlaciones redundantes13 leçons
Visualizar el funcionamiento de la PCAabonnés Detectar las correlaciones naturales entre los datossuscriptores Descorrelacionar las medidas de las semillas mediante el PCAsuscriptores Identificar las componentes principalessuscriptores Determinar la dimensión intrínseca de los datossuscriptores Analizar el papel de la primera componente principalsuscriptores Estudiar la varianza explicada por las componentes del PCAsuscriptores Estimar la dimensión intrínseca de los datos sobre los pecessuscriptores Reducir el número de dimensiones con el PCAsuscriptores Simplificar las medidas de los peces mediante la reducción dimensionalsuscriptores Representar las palabras con las puntuaciones TF-IDFsuscriptores Agrupar los artículos de Wikipedia, primera partesuscriptores Continuar la agrupación de los artículos de Wikipedia, segunda partesuscriptores
5. Identificar características fáciles de interpretar15 lecciones
Descubrir la factorización matricial no negativa (NMF)suscriptores Identificar los datos compuestos por valores no negativossuscriptores Aplicar la NMF a los artículos de Wikipediasuscriptores Extraer características de los artículos de Wikipedia con la NMFsuscriptores Reconstruir los datos a partir de las componentes NMFsuscriptores Descomponer los datos en elementos interpretables gracias a la NMFsuscriptores Identificar los temas de los documentos con la NMFsuscriptores Explorar el conjunto de datos de los dígitos representados con LEDsuscriptores Extraer las componentes de las imágenes con la NMFsuscriptores Entender por qué el ACP no permite identificar partes distintassuscriptores Crear sistemas de recomendación con la NMFsuscriptores Encontrar artículos similares al de Cristiano Ronaldoseguidores Recomendar artistas musicales, primera parteseguidores Mejorar las recomendaciones de artistas musicales, segunda parteseguidores Hacer balance de los métodos de descubrimiento de características interpretablesseguidores
6. Conclusión1 lección
Conclusión de la formaciónsuscriptores