PCA로 차원 축소하기

Create Your Free Account

or

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

이 연습은 강의의 일부입니다

Python으로 배우는 Unsupervised Learning

SkillTag.level.intermediateSkillTag.label

4.8+

1131 reviews

무료로 강의 시작하기

데이터셋에 숨어 있는 그룹(또는 "클러스터")을 찾는 방법을 배웁니다. 이 장의 끝에서는 주가 데이터를 활용해 기업을 클러스터링하고, 측정값 클러스터링으로 서로 다른 종을 구분해 볼 거예요.

Exercise 1: Unsupervised Learning Exercise 2: 클러스터는 몇 개일까요?Exercise 3: 2D 포인트 클러스터링 Exercise 4: 클러스터링 살펴보기 Exercise 5: 클러스터링 평가하기 Exercise 6: 곡물은 몇 개의 클러스터로 나뉠까요?Exercise 7: 곡물 클러스터링 평가하기 Exercise 8: 더 나은 클러스터링을 위한 특성 변환 Exercise 9: 클러스터링을 위한 물고기 데이터 스케일링 Exercise 10: 물고기 데이터 클러스터링 Exercise 11: KMeans로 주식 클러스터링하기 Exercise 12: 어떤 주식들이 함께 움직일까요?

이 장에서는 데이터 시각화를 위한 두 가지 unsupervised learning 기법인 계층적 클러스터링과 t-SNE를 배웁니다. 계층적 클러스터링은 데이터 샘플을 점점 더 큰 클러스터로 병합하여, 결과 클러스터 계층 구조를 트리로 시각화합니다. t-SNE는 데이터 샘플을 2차원 공간에 매핑해 샘플 간의 근접성을 시각적으로 파악할 수 있게 해 줍니다.

Exercise 1: 계층 구조 시각화하기 Exercise 2: 병합은 몇 번 일어날까요?Exercise 3: 곡물 데이터의 계층적 클러스터링 Exercise 4: 주식의 계층 구조 Exercise 5: 계층적 클러스터링에서의 클러스터 레이블 Exercise 6: 가장 가까운 클러스터는 무엇인가요?Exercise 7: 링키지가 달라지면, 계층적 클러스터링도 달라집니다!Exercise 8: 중간 단계 클러스터링 Exercise 9: 클러스터 레이블 추출하기 Exercise 10: 2차원 시각화를 위한 t-SNE Exercise 11: 곡물 데이터셋의 t-SNE 시각화 Exercise 12: 주식시장의 t-SNE 지도

차원 축소는 데이터셋을 자주 나타나는 공통 패턴으로 요약합니다. 이 장에서는 차원 축소의 가장 기본 기법인 "Principal Component Analysis"("PCA")를 배웁니다. PCA는 감독학습 전에 모델 성능과 일반화를 높이는 데 자주 쓰이며, unsupervised learning에도 유용합니다. 예를 들어, PCA의 변형을 사용해 Wikipedia 문서를 내용에 따라 클러스터링해 볼 거예요!

Exercise 1: PCA 변환 시각화 Exercise 2: 자연에서의 상관된 데이터 Exercise 3: PCA로 곡물 측정치의 상관성 제거하기 Exercise 4: 주성분 Exercise 5: 내재 차원 Exercise 6: 첫 번째 주성분 Exercise 7: PCA 특징의 분산 Exercise 8: 물고기 데이터의 내재 차원 Exercise 9: PCA로 차원 축소하기

현재 연습

Exercise 10: 물고기 측정값의 차원 축소 Exercise 11: tf-idf 단어 빈도 배열 Exercise 12: 위키피디아 군집화 I Exercise 13: Wikipedia 클러스터링 II

이 장에서는 샘플을 해석 가능한 부분의 조합으로 표현하는 차원 축소 기법 "Non-negative matrix factorization"("NMF")를 배웁니다. 예를 들어 문서는 주제의 조합으로, 이미지는 자주 나타나는 시각적 패턴의 조합으로 표현할 수 있어요. 또한 NMF를 사용해 읽을 만한 유사 문서를 찾거나, 청취 이력에 맞는 음악 아티스트를 추천하는 추천 시스템도 만들어 봅니다!

Exercise 1: 비음수 행렬 분해 (NMF)Exercise 2: 음수가 없는 데이터 Exercise 3: 위키피디아 문서에 NMF 적용하기 Exercise 4: Wikipedia 문서의 NMF 특징 Exercise 5: NMF로 샘플 재구성하기 Exercise 6: NMF는 해석 가능한 부분을 학습해요 Exercise 7: NMF는 문서의 토픽을 학습합니다 Exercise 8: LED 숫자 데이터셋 살펴보기 Exercise 9: NMF로 이미지의 부분을 학습하기 Exercise 10: PCA는 부분을 학습하지 않아요 Exercise 11: NMF를 활용한 추천 시스템 구축 Exercise 12: 'Cristiano Ronaldo'와 유사한 글은 무엇일까요?Exercise 13: 음악 아티스트 추천 I Exercise 14: 음악 아티스트 추천 II Exercise 15: 마무리 생각