Hlavní komponenty

Jsou zobrazeny tři bodové grafy stejného mračna bodů. Každý graf znázorňuje jinou sadu os (červeně). Ve kterém z grafů by mohly osy představovat hlavní komponenty tohoto mračna bodů?

Připomeň si, že hlavní komponenty jsou směry, podél kterých se data nejvíce mění.

Toto cvičení je součástí kurzu

Unsupervised Learning in Python

Interaktivní praktické cvičení

Proměňte teorii v praxi s jedním z našich interaktivních cvičení

Začít cvičení

Toto cvičení je součástí kurzu

Unsupervised Learning in Python

SkillTag.level.intermediateSkillTag.label

4.8+

Začněte kurz zdarma

Nauč se odhalovat skryté skupiny (tzv. „shluky") v datové sadě. Na konci této kapitoly budeš shlukovat firmy podle cen jejich akcií a rozlišovat různé druhy organismů pomocí shlukování jejich naměřených hodnot.

Exercise 1: Unsupervised učení Exercise 2: Kolik shluků?Exercise 3: Shlukování 2D bodů Exercise 4: Prozkoumej výsledky clusteringu Exercise 5: Hodnocení shlukování Exercise 6: Kolik clusterů obilovin?Exercise 7: Vyhodnocení clusterování zrní Exercise 8: Transforming features pro lepší shlukování Exercise 9: Škálování rybích dat pro shlukování Exercise 10: Shlukování dat o rybách Exercise 11: Clustering akcií pomocí KMeans Exercise 12: Které akcie se pohybují společně?

V této kapitole se seznámíš se dvěma technikami učení bez učitele pro vizualizaci dat: hierarchickým shlukováním a t-SNE. Hierarchické shlukování postupně slučuje vzorky dat do stále hrubších shluků a výslednou hierarchii zobrazuje jako strom. t-SNE mapuje vzorky dat do 2D prostoru tak, aby bylo možné vizualizovat jejich vzájemnou blízkost.

Exercise 1: Vizualizace hierarchií Exercise 2: Kolik sloučení?Exercise 3: Hierarchické shlukování dat o obilninách Exercise 4: Hierarchie akcií Exercise 5: Označování shluků v hierarchickém shlukování Exercise 6: Které clustery jsou si nejblíže?Exercise 7: Jiná vazba, jiné hierarchické shlukování!Exercise 8: Mezilehlá shlukování Exercise 9: Extrakce štítků shluků Exercise 10: t-SNE pro 2D mapy Exercise 11: Vizualizace datasetu obilnin pomocí t-SNE Exercise 12: Mapa akciového trhu pomocí t-SNE

Redukce dimenzí shrnuje datovou sadu pomocí opakujících se vzorů, které se v ní vyskytují. V této kapitole se naučíš nejzákladnější techniku redukce dimenzí – „analýzu hlavních komponent" (PCA). PCA se často používá před učením s učitelem ke zlepšení výkonu a zobecnění modelu, ale hodí se i pro učení bez učitele. Například pomocí varianty PCA budeš schopen/schopna shlukovat články na Wikipedii podle jejich obsahu!

Exercise 1: Vizualizace PCA transformace Exercise 2: Korelovaná data v přírodě Exercise 3: Dekorelace měření zrn pomocí PCA Exercise 4: Hlavní komponenty

Aktuální cvičení

Exercise 5: Vnitřní dimenze Exercise 6: První hlavní komponenta Exercise 7: Rozptyl příznaků PCA Exercise 8: Vnitřní dimenze dat o rybách Exercise 9: Redukce dimenzí pomocí PCA Exercise 10: Redukce dimenzí měření ryb Exercise 11: Pole četností slov pomocí tf-idf Exercise 12: Shlukování Wikipedie – část I Exercise 13: Clusterování Wikipedie – část II

V této kapitole se naučíš techniku redukce dimenzí zvanou „nenegativní maticová faktorizace" (NMF), která vyjadřuje vzorky jako kombinace interpretovatelných částí. Například dokumenty vyjadřuje jako kombinace témat a obrázky pomocí běžně se vyskytujících vizuálních vzorů. Naučíš se také využít NMF k vytvoření doporučovacích systémů, které ti najdou podobné články ke čtení nebo hudební umělce odpovídající tvé poslechové historii!

Exercise 1: Nenegativní maticová faktorizace (NMF)Exercise 2: Nezáporná data Exercise 3: NMF aplikovaná na články z Wikipedie Exercise 4: NMF příznaky článků z Wikipedie Exercise 5: NMF rekonstruuje vzorky Exercise 6: NMF se učí interpretovatelné části Exercise 7: NMF se učí témata dokumentů Exercise 8: Prozkoumej datovou sadu LED číslic Exercise 9: NMF se učí části obrázků Exercise 10: PCA se nenaučí části Exercise 11: Tvorba doporučovacích systémů pomocí NMF Exercise 12: Které články jsou podobné článku o Cristianu Ronaldovi?Exercise 13: Doporučování hudebních interpretů – část I Exercise 14: Doporučování hudebních interpretů – část II Exercise 15: Závěrečné myšlenky