Unsupervised learning ในโลกความเป็นจริง

ข้อใดต่อไปนี้สามารถแก้ปัญหาได้ด้วย unsupervised learning?

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

การวิเคราะห์กลุ่มข้อมูลใน Python

ดูคอร์ส

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำจริง

เปลี่ยนทฤษฎีให้เป็นการลงมือทำด้วยแบบฝึกหัดเชิงโต้ตอบหนึ่งในของเรา

เริ่มแบบฝึกหัด

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

การวิเคราะห์กลุ่มข้อมูลใน Python

SkillTag.level.intermediateSkillTag.label

4.8+

1014 reviews

เริ่มคอร์สฟรี

ก่อนที่จะจัดหมวดหมู่บทความข่าวได้ คุณจำเป็นต้องรู้จักพื้นฐานของ clustering เสียก่อน บทนี้จะแนะนำให้รู้จักกับอัลกอริทึม machine learning ประเภทหนึ่งที่เรียกว่าการเรียนรู้แบบไม่มีผู้สอน (unsupervised learning) จากนั้นจะเจาะลึกเรื่อง clustering ซึ่งเป็นหนึ่งในอัลกอริทึมยอดนิยมในกลุ่มนี้ คุณจะได้เรียนรู้เทคนิค clustering สองแบบ ได้แก่ hierarchical clustering และ k-means clustering บทนี้ปิดท้ายด้วยขั้นตอนการเตรียมข้อมูลเบื้องต้นก่อนเริ่มทำ clustering

Exercise 1: การเรียนรู้แบบไม่มีผู้สอน: พื้นฐาน Exercise 2: Unsupervised learning ในโลกความเป็นจริง

แบบฝึกหัดปัจจุบัน

Exercise 3: การพบเห็น Pokémon Exercise 4: พื้นฐานของการวิเคราะห์กลุ่ม Exercise 5: การพบเห็นโปเกมอน: hierarchical clustering Exercise 6: การพบเห็น Pokémon: k-means clustering Exercise 7: การเตรียมข้อมูลสำหรับการวิเคราะห์กลุ่ม Exercise 8: Normalize ข้อมูล list เบื้องต้น Exercise 9: แสดงภาพข้อมูลที่ผ่านการ Normalize แล้ว Exercise 10: การ Normalization ของตัวเลขขนาดเล็ก Exercise 11: FIFA 18: ทำให้ข้อมูลเป็นมาตรฐาน

บทนี้เน้นที่ hierarchical clustering ซึ่งเป็นอัลกอริทึม clustering ที่ได้รับความนิยม และวิธีนำไปใช้งานใน SciPy นอกจากขั้นตอนการทำ hierarchical clustering แล้ว ยังจะช่วยให้ตอบคำถามสำคัญได้ว่า ข้อมูลของคุณมีกี่กลุ่ม? บทนี้ปิดท้ายด้วยการพูดถึงข้อจำกัดของ hierarchical clustering และข้อควรพิจารณาในการใช้งาน

Exercise 1: พื้นฐานของ Hierarchical Clustering Exercise 2: Hierarchical Clustering: วิธี Ward Exercise 3: Hierarchical Clustering: วิธี Single Exercise 4: Hierarchical Clustering: วิธี Complete Exercise 5: แสดงภาพคลัสเตอร์Exercise 6: แสดงภาพ cluster ด้วย matplotlib Exercise 7: แสดงภาพ cluster ด้วย seaborn Exercise 8: มีกี่คลัสเตอร์?Exercise 9: สร้าง Dendrogram Exercise 10: มีกี่คลัสเตอร์ในข้อมูล Comic Con?Exercise 11: ข้อจำกัดของการจัดกลุ่มแบบลำดับชั้น Exercise 12: จับเวลาการรัน Hierarchical Clustering Exercise 13: FIFA 18: สำรวจข้อมูลผู้เล่นตำแหน่งกองหลัง

บทนี้แนะนำอัลกอริทึม clustering อีกแบบหนึ่งคือ k-means clustering และวิธีนำไปใช้งานใน SciPy K-means clustering แก้ปัญหาข้อจำกัดสำคัญของ hierarchical clustering ที่กล่าวถึงในบทก่อน เนื่องจาก dendrogram เป็นเครื่องมือเฉพาะของ hierarchical clustering บทนี้จึงนำเสนอวิธีหนึ่งในการหาจำนวนกลุ่มก่อนรัน k-means clustering และปิดท้ายด้วยการพูดถึงข้อจำกัดของ k-means clustering พร้อมข้อควรพิจารณาในการใช้อัลกอริทึมนี้

Exercise 1: พื้นฐานการจัดกลุ่มแบบ k-means Exercise 2: K-means clustering: แบบฝึกหัดแรก Exercise 3: ประสิทธิภาพด้านเวลาของ k-means clustering Exercise 4: ควรมีกี่คลัสเตอร์?Exercise 5: Elbow Method บนกลุ่มข้อมูลที่แยกชัดเจน Exercise 6: Elbow Method บนข้อมูลที่กระจายสม่ำเสมอ Exercise 7: ข้อจำกัดของการจัดกลุ่มแบบ k-means Exercise 8: ผลกระทบของ seed ต่อคลัสเตอร์ที่แตกต่างกัน Exercise 9: รูปแบบคลัสเตอร์ที่สม่ำเสมอ Exercise 10: FIFA 18: ย้อนกลับมาดูผู้เล่นตำแหน่งรับ

เมื่อคุ้นเคยกับเทคนิค clustering ยอดนิยมทั้งสองแบบแล้ว บทนี้จะช่วยให้นำความรู้ไปประยุกต์ใช้กับปัญหาจริง เริ่มด้วยการค้นหาสีหลักในภาพ จากนั้นต่อด้วยโจทย์ที่กล่าวถึงตั้งแต่ต้น นั่นคือการจัดกลุ่มบทความข่าว และปิดท้ายด้วยการพูดถึง clustering ที่ใช้ตัวแปรหลายตัวพร้อมกัน ซึ่งทำให้การแสดงภาพข้อมูลทั้งหมดเป็นเรื่องท้าทาย

Exercise 1: สีหลักในภาพ Exercise 2: ดึงค่า RGB จากรูปภาพ Exercise 3: มีสีหลักกี่สี?Exercise 4: แสดงสีหลักของภาพ Exercise 5: การจัดกลุ่มเอกสาร Exercise 6: TF-IDF ของเนื้อเรื่องภาพยนตร์Exercise 7: Term หลักในแต่ละ cluster ของภาพยนตร์Exercise 8: การจัดกลุ่มด้วยหลายฟีเจอร์Exercise 9: การจัดกลุ่มเมื่อมี feature จำนวนมาก Exercise 10: การตรวจสอบเบื้องต้นของคลัสเตอร์Exercise 11: FIFA 18: อะไรทำให้ผู้เล่นสมบูรณ์แบบ?Exercise 12: ลาก่อน!