NMF reconstruye muestras

En este ejercicio, comprobarás que comprendes cómo NMF reconstruye muestras a partir de sus componentes utilizando los valores de las características de NMF. Se dan los componentes de un modelo NMF. Si los valores del rasgo NMF de una muestra son [2, 1], ¿cuál de los siguientes es más probable que represente la muestra original? Un bolígrafo y un papel te ayudarán. Tienes que aplicar la misma técnica que Ben utilizó en el vídeo para reconstruir la muestra [0.1203 0.1764 0.3195 0.141].

Este ejercicio forma parte del curso

Aprendizaje no supervisado en Python

Ejercicio interactivo práctico

Convierte la teoría en acción con uno de nuestros ejercicios interactivos

Empieza a hacer ejercicio

Este ejercicio forma parte del curso

Aprendizaje no supervisado en Python

IntermedioNivel de habilidad

4.8+

Comienza el curso gratis

Aprende a descubrir los grupos subyacentes (o "clústeres") en un conjunto de datos. Al final de este capítulo, podrás agrupar empresas utilizando sus cotizaciones bursátiles, y distinguir diferentes especies agrupando sus medidas.

Exercise 1: Aprendizaje no supervisado Exercise 2: ¿Cuántas agrupaciones?Exercise 3: Agrupación de puntos 2D Exercise 4: Inspecciona tu agrupación Exercise 5: Evaluar una agrupación Exercise 6: ¿Cuántos clústeres de grano?Exercise 7: Evaluación de la agrupación de granos Exercise 8: Transformación de rasgos para mejorar las agrupaciones Exercise 9: Escala de datos de peces para la agrupación Exercise 10: Agrupación de los datos de los peces Exercise 11: Agrupación de acciones mediante KMeans Exercise 12: ¿Qué acciones se mueven juntas?

En este capítulo, conocerás dos técnicas de aprendizaje no supervisado para la visualización de datos, la agrupación jerárquica y t-SNE. La agrupación jerárquica fusiona las muestras de datos en clústeres cada vez más gruesos, dando lugar a una visualización en árbol de la jerarquía de clústeres resultante. t-SNE mapea las muestras de datos en un espacio 2d para poder visualizar la proximidad de las muestras entre sí.

Exercise 1: Visualizar jerarquías Exercise 2: ¿Cuántas fusiones?Exercise 3: Agrupación jerárquica de los datos de los granos Exercise 4: Jerarquías de acciones Exercise 5: Etiquetas de clústeres en la agrupación jerárquica Exercise 6: ¿Qué grupos están más cerca?Exercise 7: ¡Vinculación diferente, agrupación jerárquica diferente!Exercise 8: Agrupaciones intermedias Exercise 9: Extraer las etiquetas de los clústeres Exercise 10: t-SNE para mapas bidimensionales Exercise 11: Visualización t-SNE del conjunto de datos de granos Exercise 12: Un mapa t-SNE del mercado de valores

La reducción dimensional resume un conjunto de datos utilizando sus patrones comunes. En este capítulo, conocerás la más fundamental de las técnicas de reducción de dimensiones, el "Análisis de Componentes Principales" ("PCA"). PCA se utiliza a menudo antes del aprendizaje supervisado para mejorar el rendimiento y la generalización de los modelos. También puede ser útil para el aprendizaje no supervisado. Por ejemplo, emplearás una variante de PCA ¡que te permitirá agrupar artículos de Wikipedia por su contenido!

Exercise 1: Visualización de la transformación PCA Exercise 2: Datos correlacionados en la naturaleza Exercise 3: Decorrelación de las medidas de grano con PCA Exercise 4: Componentes principales Exercise 5: Dimensión intrínseca Exercise 6: El primer componente principal Exercise 7: Varianza de las características PCA Exercise 8: Dimensión intrínseca de los datos de los peces Exercise 9: Reducción de dimensiones con PCA Exercise 10: Reducción dimensional de las medidas de los peces Exercise 11: Una matriz tf-idf de frecuencia de palabras Exercise 12: Agrupación Wikipedia parte I Exercise 13: Agrupación Wikipedia parte II

En este capítulo, conocerás una técnica de reducción de dimensiones llamada "Factorización de matrices no negativas" ("NMF") que expresa las muestras como combinaciones de partes interpretables. Por ejemplo, expresa los documentos como combinaciones de temas, y las imágenes en términos de patrones visuales habituales. También aprenderás a utilizar NMF para construir sistemas de recomendación que puedan encontrarte artículos similares para leer, ¡o artistas musicales que coincidan con tu historial de escucha!

Exercise 1: Factorización de matrices no negativas (NMF)Exercise 2: Datos no negativos Exercise 3: NMF aplicado a los artículos de Wikipedia Exercise 4: NMF características de los artículos de Wikipedia Exercise 5: NMF reconstruye muestras

Ejercicio actual

Exercise 6: NMF aprende partes interpretables Exercise 7: NMF aprende los temas de los documentos Exercise 8: Explora el conjunto de datos LED dígitos Exercise 9: NMF aprende las partes de las imágenes Exercise 10: PCA no aprende las partes Exercise 11: Construir sistemas de recomendación utilizando NMF Exercise 12: ¿Qué artículos son similares a "Cristiano Ronaldo"?Exercise 13: Recomienda artistas musicales parte I Exercise 14: Recomienda artistas musicales parte II Exercise 15: Reflexiones finales