Обучение без учител
Клъстеризация, гаусови смеси, PCA и t-SNE, аномалии, препоръки, асоциативни правила и полуконтролирано обучение.
15 урока · около 325 минНОИИIOAIНужно: Линейна алгебра, Вероятности и статистика, pandas и анализ на данни, scikit-learn
Първо завърши: Мащабиране на признаците
- 1
Какво е обучение без учител
Данни без етикети: групи, структура и необичайни примери
15 мин Заключен
- 2
Клъстеризация с k-means
Обучение без учител, алгоритъмът стъпка по стъпка и изборът на k
25 мин Заключен
- 3
Колко клъстера: лакът и силует
Два начина да избереш k за k-means
20 мин Заключен
- 4
Йерархична клъстеризация
Дендрограма: групи в групи
20 мин Заключен
- 5
DBSCAN
Клъстери по гъстота и автоматично откриване на шум
20 мин Заключен
- 6
Гаусови смеси
Меко групиране с вероятности и алгоритъмът EM
20 мин Заключен
- 7
Намаляване на размерността с PCA
Главни компоненти, обяснена дисперсия и визуализация на данни
30 мин Заключен
- 8
t-SNE и UMAP
Визуализация на данни с много измерения в 2D
20 мин Заключен
- 9
Откриване на аномалии
Isolation Forest и Local Outlier Factor
20 мин Заключен
- 10
Препоръчителни системи
Колаборативно филтриране и разлагане на матрица
20 мин Заключен
- 11
Асоциативни правила
Кои продукти се купуват заедно: support, confidence и lift
20 мин Заключен
- 12
PCA като автоенкодер
Компресиране и възстановяване: мостът към невронните мрежи
20 мин Заключен
- 13
Компресия на изображения с k-means
Палитра от k цвята вместо милиони
20 мин Заключен
- 14
Полуконтролирано обучение
Малко етикети и много данни без етикети
20 мин Заключен
- 15
Проект: сегментиране на клиенти
RFM признаци, k-means и описание на групите
35 мин Заключен
Изпит на курса
Отключва се, когато завършиш всички уроци.