表示されているのは、先ほど計算した穀物サンプルの階層的クラスタリングのデンドログラムです。デンドログラム上の高さが6になったときに階層的クラスタリングを止めた場合、クラスタはいくつになるでしょうか。
この演習はコースの一部です
理論を実践に変える、インタラクティブな演習のひとつをお試しください
データセットに潜むグループ（「クラスター」）を見つけ出す方法を学びます。この章では、株価データを使って企業をクラスタリングしたり、測定値をもとに異なる品種を区別したりできるようになります。
この章では、データ可視化のための教師なし学習手法、「階層的クラスタリング」と「t-SNE」について学びます。階層的クラスタリングは、データを少しずつまとめて大きなクラスターへと段階的に統合し、クラスターの階層構造を樹形図として可視化します。一方t-SNE は、データを2次元空間にマッピングすることで、データ同士の近さを視覚的に表現します。
現在の演習
次元削減とは、データセットによく現れるパターンを使って情報を要約する手法です。この章では、次元削減手法の中でも最も基本的な「主成分分析（PCA）」について学びます。PCAは、モデルの性能や汎化性能を高めるために、教師あり学習の前処理として使われることがよくあります。また、教師なし学習でも役立ちます。例えば、PCAの応用手法を使って、Wikipediaの記事をその内容に基づいてクラスタリングすることができます。
この章では、データを解釈可能なパーツに分解する次元削減手法「非負値行列因子分解（NMF）」について学びます。例えば、ドキュメントをトピック別にしたり、画像を頻出する視覚的パターン別にしたりできます。また、NMFを使って、類似記事の表示や、視聴履歴に合った音楽アーティストのレコメンドシステムの構築もできます。
