1. Aprender
    2. /
  2. Cursos
    3. /
  3. Aprendizado não supervisionado em Python
  • 1

    Clustering para exploração de conjuntos de dados

    Gratuito

    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

Exercicio

Explore o conjunto de dados de LED dígitos

Nos exercícios a seguir, você usará o site NMF para decompor imagens em escala de cinza em seus padrões comuns. Em primeiro lugar, explore o conjunto de dados de imagens e veja como ele é codificado como uma matriz. Você recebe 100 imagens como uma matriz 2D samples, em que cada linha representa uma única imagem 13x8. As imagens em seu conjunto de dados são fotos de um visor digital LED.

Instruções

100 XP
  • Importe matplotlib.pyplot como plt.
  • Selecione a linha 0 de samples e atribua o resultado a digit. Por exemplo, para selecionar a coluna 2 de uma matriz a, você pode usar a[:,2]. Lembre-se de que, como samples é uma matriz NumPy, você não pode usar os acessores .loc[] ou iloc[] para selecionar linhas ou colunas específicas.
  • Imprima digit. Isso foi feito para você. Observe que se trata de uma matriz 1D de 0s e 1s.
  • Use o método .reshape() de digit para obter uma matriz 2D com o formato (13, 8). Atribua o resultado a bitmap.
  • Imprima bitmap e observe que os 1s mostram o dígito 7!
  • Use a função plt.imshow() para exibir bitmap como uma imagem.