Mezilehlá shlukování

Na obrázku vidíš dendrogram hierarchického shlukování vzorků obilí, který jsi vypočítal/a dříve. Kdybychom hierarchické shlukování zastavili ve výšce 6 na dendrogramu, kolik shluků by vzniklo?

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

Aktuální cvičení

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 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