Python Unsupervised Learning: Clustering and Pattern DiscoveryQuery

Trong nhiều trường hợp thực tế, dữ liệu không có nhãn rõ ràng hay các loại được định nghĩa trước. Học không giám sát cho phép bạn khám phá các tập dữ kiện này để khám phá cấu trúc ẩn, nhóm các mục tương tự với nhau, và đơn giản hóa thông tin phức tạp mà không cần can thiệp thủ công. Chương trình này cung cấp một con đường rõ ràng để hiểu cách mà máy tính tìm ra các mẫu. Bạn sẽ học cách chuyển đổi dữ liệu thô, không có nhãn thành những nhận thức có thể thực hiện, chuyển từ các kỹ thuật nhóm cơ bản sang giảm chiều phức tạp được sử dụng trong khoa học dữ kiện hiện đại. Bạn sẽ học được: - Hiểu các nguyên tắc cơ bản của học không giám sát và vai trò của nó trong chu kỳ sống khoa học dữ liệu. - Nhóm các điểm dữ liệu thành các loại có ý nghĩa bằng cách sử dụng K-means và phân cấp. - Đánh giá hiệu suất của các cụm sử dụng các chỉ số hiện đại như điểm silhouette và quán tính. - Giảm các tập dữ liệu cao chiều bằng cách sử dụng Phân tích thành phần chính (PCA) và t-SNE để biểu diễn dữ kiện tốt hơn. - Apply Non-negative Matrix Factorization (NMF) để phân chia dữ liệu thành các thành phần có thể giải thích. - Xây dựng một động cơ khuyến nghị bằng cách xác định sự tương đồng trong sở thích và hành vi của người dùng. Chương trình bắt đầu với các thuật ngữ cơ bản và nền tảng toán học trước khi hướng dẫn bạn thực hiện bằng các thư viện Python như scikit- learn và SciPy. Qua các lời giải thích và ví dụ mã, bạn sẽ học cách xử lý và giải thích các loại dữ liệu khác nhau. Chương trình này dành cho người mới bắt đầu với kiến thức cơ bản về Python, sẵn sàng khám phá khả năng học máy. Không cần phải có kinh nghiệm trước đó với mô hình dữ liệu hay các kỹ thuật không giám sát. Bắt đầu hành trình của bạn vào phát hiện mẫu tự động và tập hợp dữ liệu.