Recomandă artiști muzicali – partea a II-a

Să presupunem că ești un mare fan Bruce Springsteen – ce alți artiști muzicali ți-ar putea plăcea? Folosește caracteristicile NMF obținute în exercițiul anterior și similaritatea cosinus pentru a găsi artiști similari. Soluția exercițiului anterior a fost deja rulată, astfel că norm_features este un array care conține caracteristicile NMF normalizate pe rânduri. Numele artiștilor muzicali sunt disponibile în lista artist_names.

Acest exercițiu face parte din cursul

Învățare nesupervizată în Python

Instrucțiuni pentru exercițiu

Importă pandas cu aliasul pd.
Creează un DataFrame df din norm_features, folosind artist_names ca index.
Folosește accesorul .loc[] al lui df pentru a selecta rândul corespunzător lui 'Bruce Springsteen'. Atribuie rezultatul variabilei artist.
Aplică metoda .dot() a lui df asupra lui artist pentru a calcula produsul scalar al fiecărui rând cu artist. Salvează rezultatul ca similarities.
Afișează rezultatul metodei .nlargest() aplicată pe similarities pentru a vedea artiștii cei mai similari cu 'Bruce Springsteen'.

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

# Import pandas
____

# Create a DataFrame: df
df = ____

# Select row of 'Bruce Springsteen': artist
artist = df.loc[____]

# Compute cosine similarities: similarities
similarities = ____

# Display those with highest cosine similarity
____

Editează și rulează codul

Acest exercițiu face parte din cursul

Învățare nesupervizată în Python

SkillTag.level.intermediateSkillTag.label

4.8+

Începe cursul gratuit

Află cum să descoperi grupurile (sau „clusterele") dintr-un set de date. La finalul acestui capitol, vei realiza clustering pe companii folosind prețurile lor de pe piața bursieră și vei distinge diferite specii prin gruparea măsurătorilor acestora.

Exercise 1: Învățare nesupervizată Exercise 2: Câte clustere există?Exercise 3: Clusterizarea punctelor 2D Exercise 4: Explorează rezultatul clusterizării Exercise 5: Evaluarea unui clustering Exercise 6: Câte clustere de cereale?Exercise 7: Evaluarea clusterizării cerealelor Exercise 8: Transformarea caracteristicilor pentru clusterings mai bune Exercise 9: Scalarea datelor despre pești pentru grupare Exercise 10: Gruparea datelor despre pești Exercise 11: Clustering acțiunilor folosind KMeans Exercise 12: Ce acțiuni evoluează împreună?

În acest capitol, vei învăța două tehnici de învățare nesupervizată pentru vizualizarea datelor: clustering ierarhic și t-SNE. Clustering-ul ierarhic fuzionează eșantioanele de date în clustere din ce în ce mai largi, generând o vizualizare arborescentă a ierarhiei de clustere rezultate. t-SNE proiectează eșantioanele de date într-un spațiu 2D, astfel încât proximitatea dintre ele să poată fi vizualizată.

Exercise 1: Vizualizarea ierarhiilor Exercise 2: Câte îmbinări?Exercise 3: Clustering ierarhic al datelor despre cereale Exercise 4: Ierarhii de acțiuni Exercise 5: Etichete de cluster în clustering ierarhic Exercise 6: Care clustere sunt cele mai apropiate?Exercise 7: Altă legătură, alt clustering ierarhic!Exercise 8: Grupări intermediare Exercise 9: Extragerea etichetelor de cluster Exercise 10: t-SNE pentru hărți bidimensionale Exercise 11: Vizualizare t-SNE a setului de date despre cereale Exercise 12: O hartă t-SNE a pieței bursiere

Reducerea dimensionalității rezumă un set de date folosind tiparele sale frecvente. În acest capitol, vei învăța despre cea mai fundamentală tehnică de reducere a dimensionalității: „Analiza componentelor principale" („PCA"). PCA este folosită adesea înaintea învățării supervizate pentru a îmbunătăți performanța și generalizarea modelelor. Poate fi utilă și în contextul învățării nesupervizate. De exemplu, vei utiliza o variantă a PCA care îți va permite să grupezi articole Wikipedia după conținutul lor!

Exercise 1: Vizualizarea transformării PCA Exercise 2: Date corelate în natură Exercise 3: Decorelarea măsurătorilor de cereale cu PCA Exercise 4: Componente principale Exercise 5: Dimensiunea intrinsecă Exercise 6: Prima componentă principală Exercise 7: Varianța caracteristicilor PCA Exercise 8: Dimensiunea intrinsecă a datelor despre pești Exercise 9: Reducerea dimensionalității cu PCA Exercise 10: Reducerea dimensionalității măsurătorilor peștilor Exercise 11: Un array de frecvențe tf-idf Exercise 12: Clusterizarea Wikipedia – Partea I Exercise 13: Clustering Wikipedia – Partea a II-a

În acest capitol, vei învăța despre o tehnică de reducere a dimensionalității numită „Factorizare matriceală non-negativă" („NMF"), care exprimă eșantioanele ca o combinație de componente interpretabile. De exemplu, reprezintă documentele ca o combinație de teme și imaginile prin tipare vizuale frecvente. Vei învăța, de asemenea, să folosești NMF pentru a construi sisteme de recomandare care pot sugera articole similare de citit sau artiști muzicali care se potrivesc istoricului tău de ascultare!

Exercise 1: Factorizarea matricială non-negativă (NMF)Exercise 2: Date non-negative Exercise 3: NMF aplicat pe articole Wikipedia Exercise 4: Caracteristicile NMF ale articolelor Wikipedia Exercise 5: NMF reconstruiește eșantioane Exercise 6: NMF învață componente interpretabile Exercise 7: NMF identifică topicele documentelor Exercise 8: Explorează setul de date cu cifre LED Exercise 9: NMF învață părțile componente ale imaginilor Exercise 10: PCA nu învață părți componente Exercise 11: Construirea sistemelor de recomandare cu NMF Exercise 12: Ce articole sunt similare cu 'Cristiano Ronaldo'?Exercise 13: Recomandă artiști muzicali – partea I Exercise 14: Recomandă artiști muzicali – partea a II-a

Exercițiul curent

Exercise 15: Gânduri finale