Muziekaartiesten aanbevelen deel I

In deze oefening en de volgende ga je wat je over NMF hebt geleerd gebruiken om populaire muziekaartiesten aan te bevelen! Je krijgt een sparse array artists waarbij de rijen overeenkomen met artiesten en de kolommen met gebruikers. De waarden geven aan hoe vaak elke artiest door elke gebruiker is beluisterd.

Bouw in deze oefening een pipeline en zet de array om naar genormaliseerde NMF-features. De eerste stap in de pipeline, MaxAbsScaler, transformeert de data zodat alle gebruikers evenveel invloed hebben op het model, ongeacht hoeveel verschillende artiesten ze hebben beluisterd. In de volgende oefening gebruik je de resulterende genormaliseerde NMF-features voor aanbevelingen!

Deze oefening maakt deel uit van de cursus

Unsupervised Learning in Python

Cursus bekijken

Oefeninstructies

Importeer:
- NMF uit sklearn.decomposition.
- Normalizer en MaxAbsScaler uit sklearn.preprocessing.
- make_pipeline uit sklearn.pipeline.
Maak een instantie van MaxAbsScaler met de naam scaler.
Maak een NMF-instantie met 20 componenten met de naam nmf.
Maak een instantie van Normalizer met de naam normalizer.
Maak een pipeline met de naam pipeline die scaler, nmf en normalizer aan elkaar schakelt.
Pas de methode .fit_transform() van pipeline toe op artists. Ken het resultaat toe aan norm_features.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# Perform the necessary imports
from ____ import ____
from ____ import ____, ____
from ____ import ____

# Create a MaxAbsScaler: scaler
scaler = ____

# Create an NMF model: nmf
nmf = ____

# Create a Normalizer: normalizer
normalizer = ____

# Create a pipeline: pipeline
pipeline = ____

# Apply fit_transform to artists: norm_features
norm_features = ____

Code bewerken en uitvoeren

Deze oefening maakt deel uit van de cursus

Unsupervised Learning in Python

SkillTag.level.intermediateSkillTag.label

4.8+

Begin de cursus gratis

Learn how to discover the underlying groups (or "clusters") in a dataset. By the end of this chapter, you'll be clustering companies using their stock market prices, and distinguishing different species by clustering their measurements.

Exercise 1: Unsupervised Learning Exercise 2: How many clusters?Exercise 3: Clustering 2D points Exercise 4: Inspect your clustering Exercise 5: Evaluating a clustering Exercise 6: How many clusters of grain?Exercise 7: Evaluating the grain clustering Exercise 8: Transforming features for better clusterings Exercise 9: Scaling fish data for clustering Exercise 10: Clustering the fish data Exercise 11: Clustering stocks using KMeans Exercise 12: Which stocks move together?

In this chapter, you'll learn about two unsupervised learning techniques for data visualization, hierarchical clustering and t-SNE. Hierarchical clustering merges the data samples into ever-coarser clusters, yielding a tree visualization of the resulting cluster hierarchy. t-SNE maps the data samples into 2d space so that the proximity of the samples to one another can be visualized.

Exercise 1: Visualizing hierarchies Exercise 2: How many merges?Exercise 3: Hierarchical clustering of the grain data Exercise 4: Hierarchies of stocks Exercise 5: Cluster labels in hierarchical clustering Exercise 6: Which clusters are closest?Exercise 7: Different linkage, different hierarchical clustering!Exercise 8: Intermediate clusterings Exercise 9: Extracting the cluster labels Exercise 10: t-SNE for 2-dimensional maps Exercise 11: t-SNE visualization of grain dataset Exercise 12: A t-SNE map of the stock market

Dimension reduction summarizes a dataset using its common occuring patterns. In this chapter, you'll learn about the most fundamental of dimension reduction techniques, "Principal Component Analysis" ("PCA"). PCA is often used before supervised learning to improve model performance and generalization. It can also be useful for unsupervised learning. For example, you'll employ a variant of PCA will allow you to cluster Wikipedia articles by their content!

Exercise 1: Visualizing the PCA transformation Exercise 2: Correlated data in nature Exercise 3: Decorrelating the grain measurements with PCA Exercise 4: Principal components Exercise 5: Intrinsic dimension Exercise 6: The first principal component Exercise 7: Variance of the PCA features Exercise 8: Intrinsic dimension of the fish data Exercise 9: Dimension reduction with PCA Exercise 10: Dimension reduction of the fish measurements Exercise 11: A tf-idf word-frequency array Exercise 12: Clustering Wikipedia part I Exercise 13: Clustering Wikipedia part II

In this chapter, you'll learn about a dimension reduction technique called "Non-negative matrix factorization" ("NMF") that expresses samples as combinations of interpretable parts. For example, it expresses documents as combinations of topics, and images in terms of commonly occurring visual patterns. You'll also learn to use NMF to build recommender systems that can find you similar articles to read, or musical artists that match your listening history!

Exercise 1: Niet-negatieve matrixfactorisatie (NMF)Exercise 2: Niet-negatieve data Exercise 3: NMF toegepast op Wikipedia-artikelen Exercise 4: NMF-features van de Wikipedia-artikelen Exercise 5: NMF reconstrueert steekproeven Exercise 6: NMF leert interpreteerbare onderdelen Exercise 7: NMF leert onderwerpen van documenten Exercise 8: Verken de LED-cijferdataset Exercise 9: NMF leert de delen van afbeeldingen Exercise 10: PCA leert geen delen Exercise 11: Aanbevelingssystemen bouwen met NMF Exercise 12: Welke artikelen lijken op 'Cristiano Ronaldo'?Exercise 13: Muziekaartiesten aanbevelen deel I

Huidige oefening

Exercise 14: Muziekartiesten aanbevelen, deel II Exercise 15: Tot slot