1. Apprendre
    2. /
  2. Cours
    3. /
  3. Aprendizado não supervisionado em Python
  • 1

    Clustering para exploração de conjuntos de dados

    Gratuit

    Saiba como descobrir os grupos subjacentes (ou "clusters") em um conjunto de dados. Ao final deste capítulo, você estará agrupando empresas usando seus preços no mercado de ações e distinguindo espécies diferentes agrupando suas medidas.

  • 2

    Visualização com agrupamento hierárquico e t-SNE

    Neste capítulo, você aprenderá sobre duas técnicas de aprendizado não supervisionado para visualização de dados, clustering hierárquico e t-SNE. O clustering hierárquico mescla as amostras de dados em clusters cada vez mais grossos, produzindo uma visualização em árvore da hierarquia de clusters resultante. t-SNE mapeia as amostras de dados no espaço 2d para que a proximidade das amostras entre si possa ser visualizada.

  • 3

    Decorrelacionando seus dados e reduzindo a dimensão

    A redução de dimensão resume um conjunto de dados usando os padrões comuns que ocorrem. Neste capítulo, você aprenderá sobre a mais fundamental das técnicas de redução de dimensão, a "Análise de Componentes Principais" ("PCA"). PCA é frequentemente usado antes do aprendizado supervisionado para melhorar o desempenho e a generalização do modelo. Ele também pode ser útil para o aprendizado não supervisionado. Por exemplo, você empregará uma variante do PCA que permitirá agrupar artigos da Wikipédia por seu conteúdo!

  • 4

    Descobrindo recursos interpretáveis

    Neste capítulo, você aprenderá sobre uma técnica de redução de dimensão chamada "Fatoração de matriz não negativa" ("NMF") que expressa amostras como combinações de partes interpretáveis. Por exemplo, ele expressa documentos como combinações de tópicos e imagens em termos de padrões visuais que ocorrem com frequência. Você também aprenderá a usar o NMF para criar sistemas de recomendação que podem encontrar artigos semelhantes para você ler ou artistas musicais que correspondam ao seu histórico de audição!

Initializing

Exercice

O primeiro componente principal

O primeiro componente principal dos dados é a direção na qual os dados variam mais. Neste exercício, você deve usar o site PCA para encontrar o primeiro componente principal das medidas de comprimento e largura das amostras de grãos e representá-lo como uma seta no gráfico de dispersão.

A matriz grains fornece o comprimento e a largura das amostras de grãos. O PyPlot (plt) e o PCA já foram importados para você.

Instructions

100 XP
  • Faça um gráfico de dispersão das medições de grãos. Isso foi feito para você.
  • Crie uma instância PCA chamada model.
  • Ajuste o modelo aos dados do site grains.
  • Extraia as coordenadas da média dos dados usando o atributo .mean_ de model.
  • Obtenha o primeiro componente principal de model usando o atributo .components_[0,:].
  • Trace o primeiro componente principal como uma seta no gráfico de dispersão, usando a função plt.arrow(). Você precisa especificar os dois primeiros argumentos - mean[0] e mean[1].