Niet-negatieve data

Welke van de volgende 2D-arrays zijn voorbeelden van niet-negatieve data?

Een tf-idf-woordfrequentie-array.
Een array met dagelijkse bewegingen van de aandelenmarkt (omhoog en omlaag), waarbij elke rij een bedrijf voorstelt.
An array waar rijen klanten zijn, kolommen producten en de waarden 0 of 1 aangeven of een klant een product heeft gekocht.

Deze oefening maakt deel uit van de cursus

Unsupervised Learning in Python

Interactieve oefening met praktijkervaring

Zet theorie om in actie met een van onze interactieve oefeningen

Deze oefening maakt deel uit van de cursus

Unsupervised Learning in Python

SkillTag.level.intermediateSkillTag.label

4.8+

Begin gratis met de cursus

Leer hoe je de onderliggende groepen (of "clusters") in een gegevensset ontdekt. Aan het einde van dit hoofdstuk cluster je bedrijven op basis van hun aandelenkoersen en onderscheid je soorten door hun metingen te clusteren.

Exercise 1: Unsupervised Learning Exercise 2: Hoeveel clusters?Exercise 3: Clusteren van 2D-punten Exercise 4: Bekijk je clustering Exercise 5: Een clustering evalueren Exercise 6: Hoeveel graanclusters?Exercise 7: De graanclustering evalueren Exercise 8: Features transformeren voor betere clusterings Exercise 9: Vissengegevens schalen voor clustering Exercise 10: Clusteren van de visgegevens Exercise 11: Aandelen clusteren met KMeans Exercise 12: Welke aandelen bewegen samen?

In dit hoofdstuk leer je twee unsupervised learning-technieken voor datavisualisatie: hiërarchisch clusteren en t-SNE. Hiërarchisch clusteren voegt datasamples samen tot steeds grovere clusters en levert zo een boomvisualisatie van de clustergelaagdheid op. t-SNE projecteert de datasamples in 2D-ruimte zodat je hun onderlinge nabijheid kunt visualiseren.

Exercise 1: Hiërarchieën visualiseren Exercise 2: Hoeveel samenvoegingen?Exercise 3: Hiërarchische clustering van de graangegevens Exercise 4: Hiërarchieën van aandelen Exercise 5: Clusterlabels bij hiërarchisch clusteren Exercise 6: Welke clusters liggen het dichtst bij elkaar?Exercise 7: Andere linkage, andere hiërarchische clustering!Exercise 8: Tussenliggende clusterings Exercise 9: Clusteringlabels extraheren Exercise 10: t-SNE voor 2D-kaarten Exercise 11: t-SNE-visualisatie van graangegevensset Exercise 12: Een t-SNE-kaart van de aandelenmarkt

Dimensiereductie vat een gegevensset samen via veelvoorkomende patronen. In dit hoofdstuk leer je de belangrijkste techniek voor dimensiereductie kennen: "Principal Component Analysis" ("PCA"). PCA wordt vaak vóór supervised learning gebruikt om de modelprestatie en generalisatie te verbeteren. Het is ook nuttig voor unsupervised learning. Je gebruikt bijvoorbeeld een variant van PCA waarmee je Wikipedia-artikelen op basis van hun inhoud kunt clusteren!

Exercise 1: De PCA-transformatie visualiseren Exercise 2: Gecorreleerde data in de natuur Exercise 3: Met PCA de korrelmetingen decorreleren Exercise 4: Hoofdcomponenten Exercise 5: Intrinsieke dimensie Exercise 6: De eerste hoofcomponent Exercise 7: Variantie van de PCA-features Exercise 8: Intrinsieke dimensie van de visgegevens Exercise 9: Dimensiereductie met PCA Exercise 10: Dimensiereductie van de vismetingen Exercise 11: Een tf-idf-woordfrequentie-array Exercise 12: Wikipedia clusteren, deel I Exercise 13: Wikipedia clusteren, deel II

In dit hoofdstuk maak je kennis met een techniek voor dimensiereductie, "Non-negative matrix factorization" ("NMF"), die samples uitdrukt als combinaties van interpreteerbare onderdelen. Zo kun je documenten weergeven als combinaties van onderwerpen en afbeeldingen als veelvoorkomende visuele patronen. Je leert ook NMF gebruiken om aanbevelingssystemen te bouwen die vergelijkbare artikelen kunnen vinden om te lezen, of muzikale artiesten die passen bij je luistergeschiedenis!

Exercise 1: Niet-negatieve matrixfactorisatie (NMF)Exercise 2: Niet-negatieve data

Huidige oefening

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