Esta lição faz parte do curso
Descoberta dos métodos de aprendizagem não supervisionada em Python
short_training6 capítulos · 54 lições
Descubra o aprendizado não supervisionado em Python.
1. Mensagem de boas-vindas1 lição
A plataforma de formaçãosubscritores
2. Explorar os dados com as técnicas de agrupamento12 lições
Aprendizagem não supervisionadaassinantes Determinar o número ideal de gruposassinantes Agrupar pontos em duas dimensõesassinantes Analisar os resultados do agrupamentoassinantes Medir a qualidade dos grupos obtidosassinantes Escolher o número de grupos para as sementesassinantes Avaliar os grupos formados a partir das sementesestás aqui Preparar as variáveis para obter melhores agrupamentosassinantes Padronizar os dados de peixes antes do agrupamentoassinantes Identificar grupos entre os peixesassinantes Classificar as ações em grupos com K-meansassinantes Identificar as ações com evoluções semelhantesassinantes
3. Explorar os dados com o clustering hierárquico e a visualização t-SNE12 lições
Visualizar as estruturas hierárquicas dos dadosassinantes Determinar o número de fusões necessáriasassinantes Agrupar os dados sobre as sementes por agrupamento hierárquicoassinantes Analisar as relações hierárquicas entre as açõesassinantes Atribuir rótulos aos grupos resultantes do agrupamento hierárquicoassinantes Identificar os grupos de dados mais próximosassinantes Comparar os agrupamentos hierárquicos segundo os métodos de ligaçãoassinantes Estudar os agrupamentos em diferentes níveis da hierarquiaassinantes Extrair os rótulos dos grupos formadosassinantes Projetar os dados em duas dimensões com t-SNEassinantes Visualizar os dados sobre os cereais com t-SNEassinantes Mapear as semelhanças entre as ações com t-SNEassinantes
4. Reduzir a dimensão dos dados e eliminar as correlações redundantes13 lições
Visualizar o funcionamento da PCAassinantes Identificar as correlações naturais entre os dadosassinantes Descorrelacionar as medidas das sementes com a PCAassinantes Identificar as componentes principaisassinantes Determinar a dimensão intrínseca dos dadosassinantes Analisar o papel da primeira componente principalassinantes Estudar a variância explicada pelas componentes da PCAassinantes Estimar a dimensão intrínseca dos dados sobre os peixesassinantes Reduzir o número de dimensões com a PCAassinantes Simplificar as medições dos peixes com a redução dimensionalseguidores Representar as palavras com as pontuações TF-IDFseguidores Agrupar os artigos da Wikipédia, primeira parteseguidores Continuar o agrupamento dos artigos da Wikipédia, segunda parteseguidores
5. Identificar características fáceis de interpretar15 lições
Descobrir a fatoração de matrizes não negativas (NMF)seguidores Identificar os dados compostos por valores não negativosseguidores Aplicar a NMF aos artigos da Wikipédiaseguidores Extrair características dos artigos da Wikipédia com a NMFseguidores Reconstruir os dados a partir das componentes NMFseguidores Decompor os dados em elementos interpretáveis com a NMFseguidores Identificar os temas dos documentos com a NMFseguidores Explorar o conjunto de dados de dígitos representados por LEDsassinantes Extrair os componentes das imagens com NMFassinantes Entender por que a PCA não permite identificar partes distintasassinantes Criar sistemas de recomendação com NMFassinantes Encontrar artigos semelhantes ao de Cristiano Ronaldoassinantes Recomendar artistas musicais, primeira parteassinantes Melhorar as recomendações de artistas musicais, segunda parteassinantes Fazer um balanço dos métodos de descoberta de características interpretáveisassinantes
6. Conclusão1 lição
Conclusão da formaçãoassinantes