Questa lezione fa parte del corso
Scoperta dei metodi di apprendimento non supervisionato in Python
short_training6 capitoli · 54 lezioni
Scopri l’apprendimento non supervisionato in Python.
1. Messaggio di benvenuto1 lezione
La piattaforma di formazioneiscritti
2. Esplorare i dati con le tecniche di raggruppamento12 lezioni
Apprendimento non supervisionatoiscritti Determinare il numero ottimale di gruppisei qui Raggruppare punti in due dimensioniabbonati Analizzare i risultati del clusteringiscritti Misurare la qualità dei gruppi ottenutiiscritti Scegliere il numero di gruppi per i semiiscritti Valutare i gruppi formati a partire dai semiiscritti Preparare le variabili per ottenere cluster miglioriiscritti Standardizzare i dati sui pesci prima del clusteringiscritti Identificare dei gruppi tra i pesciiscritti Classificare le azioni in gruppi con K-meansiscritti Individuare le azioni con andamenti similiiscritti
3. Esplorare i dati con il clustering gerarchico e la visualizzazione t-SNE12 lezioni
Visualizzare le strutture gerarchiche dei datiiscritti Determinare il numero di fusioni necessarieiscritti Raggruppare i dati sui cereali tramite clustering gerarchicoiscritti Analizzare le relazioni gerarchiche tra le azioniiscritti Assegnare etichette ai gruppi risultanti dal clustering gerarchicoiscritti Identificare i gruppi di dati più viciniiscritti Confrontare i raggruppamenti gerarchici secondo i metodi di collegamentoiscritti Studiare i raggruppamenti a diversi livelli della gerarchiaiscritti Estrarre le etichette dei gruppi formatiiscritti Proiettare i dati in due dimensioni con t-SNEiscritti Visualizzare i dati sui cereali con t-SNEiscritti Mappare le somiglianze tra le azioni con t-SNEiscritti
4. Ridurre la dimensionalità dei dati ed eliminare le correlazioni ridondanti13 lezioni
Visualizzare il funzionamento della PCAiscritti Individuare le correlazioni naturali tra i datiiscritti Decorrelare le misure dei semi grazie alla PCAiscritti Identificare le componenti principaliiscritti Determinare la dimensione intrinseca dei datiiscritti Analizzare il ruolo della prima componente principaleiscritti Studiare la varianza spiegata dalle componenti della PCAiscritti Stimare la dimensione intrinseca dei dati sui pesciiscritti Ridurre il numero di dimensioni con la PCAiscritti Semplificare le misure dei pesci grazie alla riduzione dimensionaleiscritti Rappresentare le parole con i punteggi TF-IDFiscritti Raggruppare gli articoli di Wikipedia, prima parteiscritti Proseguire il raggruppamento degli articoli di Wikipedia, seconda parteiscritti
5. Identifica caratteristiche facili da interpretare15 lezioni
Scoprire la fattorizzazione non negativa di matrici (NMF)iscritti Identificare i dati composti da valori non negativiiscritti Applicare la NMF agli articoli di Wikipediaiscritti Estrarre caratteristiche dagli articoli di Wikipedia con la NMFiscritti Ricostruire i dati a partire dalle componenti NMFiscritti Scomporre i dati in elementi interpretabili grazie alla NMFiscritti Identificare i temi dei documenti con la NMFiscritti Esplorare il dataset delle cifre rappresentate da LEDiscritti Estrarre le componenti delle immagini con la NMFiscritti Capire perché la PCA non permette di identificare parti distinteiscritti Creare sistemi di raccomandazione con la NMFiscritti Trovare articoli simili a quello di Cristiano Ronaldoiscritti Raccomandare artisti musicali, prima parteiscritti Migliorare le raccomandazioni di artisti musicali, seconda parteiscritti Fare il punto sui metodi di scoperta delle caratteristiche interpretabiliiscritti
6. Conclusione1 lezione
Conclusione del corsoiscritti