มิติภายใน (Intrinsic Dimension)

Create Your Free Account

or

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Unsupervised Learning ใน Python

SkillTag.level.intermediateSkillTag.label

4.8+

1134 reviews

เริ่มคอร์สฟรี

เรียนรู้วิธีค้นหากลุ่ม (clusters) ที่ซ่อนอยู่ในชุดข้อมูล เมื่อจบบทนี้ คุณจะสามารถจัดกลุ่มบริษัทต่าง ๆ โดยใช้ราคาหุ้น และแยกแยะสายพันธุ์สิ่งมีชีวิตด้วยการจัดกลุ่มจากข้อมูลการวัด

ในบทนี้ คุณจะได้เรียนรู้เทคนิค Unsupervised Learning 2 แบบสำหรับการแสดงผลข้อมูล ได้แก่ Hierarchical Clustering และ t-SNE โดย Hierarchical Clustering จะรวมตัวอย่างข้อมูลเข้าเป็นกลุ่มที่ใหญ่ขึ้นเรื่อย ๆ และแสดงผลลัพธ์เป็นโครงสร้างแบบต้นไม้ ส่วน t-SNE จะแมปตัวอย่างข้อมูลลงในพื้นที่ 2 มิติ เพื่อให้มองเห็นความใกล้ชิดระหว่างตัวอย่างต่าง ๆ ได้

Exercise 1: การแสดงผลแบบลำดับชั้น Exercise 2: มีการรวมกลุ่มกี่ครั้ง?Exercise 3: Hierarchical clustering ของข้อมูลเมล็ดพืช Exercise 4: ลำดับชั้นของหุ้น Exercise 5: ป้ายกำกับคลัสเตอร์ในการจัดกลุ่มแบบลำดับชั้น Exercise 6: กลุ่มใดอยู่ใกล้กันที่สุด?Exercise 7: Linkage ต่างกัน การจัดกลุ่มแบบลำดับชั้นก็ต่างกัน!Exercise 8: การจัดกลุ่มระดับกลาง Exercise 9: การดึงค่า cluster labels Exercise 10: t-SNE สำหรับแผนที่ 2 มิติ Exercise 11: การแสดงภาพชุดข้อมูลเมล็ดธัญพืชด้วย t-SNE Exercise 12: แผนที่ t-SNE ของตลาดหุ้น

การลดมิติข้อมูลจะสรุปชุดข้อมูลโดยอาศัยรูปแบบที่พบบ่อย ในบทนี้ คุณจะได้เรียนรู้เทคนิคการลดมิติที่เป็นพื้นฐานที่สุด นั่นคือ "Principal Component Analysis" ("PCA") PCA มักถูกนำมาใช้ก่อนกระบวนการเรียนรู้แบบมีผู้สอน (supervised learning) เพื่อปรับปรุงประสิทธิภาพและความสามารถในการ generalize ของโมเดล นอกจากนี้ยังมีประโยชน์กับ Unsupervised Learning ด้วย ตัวอย่างเช่น คุณจะใช้ PCA แบบหนึ่งในการจัดกลุ่มบทความ Wikipedia ตามเนื้อหา

Exercise 1: การแสดงภาพการแปลงด้วย PCA Exercise 2: ความสัมพันธ์ของข้อมูลในธรรมชาติ Exercise 3: การ Decorrelate ข้อมูลการวัดเมล็ดพืชด้วย PCA Exercise 4: Principal components Exercise 5: มิติภายใน (Intrinsic Dimension)

แบบฝึกหัดปัจจุบัน

Exercise 6: Principal Component แรก Exercise 7: ความแปรปรวนของ feature ใน PCA Exercise 8: มิติที่แท้จริงของข้อมูลปลา Exercise 9: การลดมิติข้อมูลด้วย PCA Exercise 10: การลดมิติของข้อมูลการวัดปลา Exercise 11: อาร์เรย์ความถี่คำแบบ tf-idf Exercise 12: การจัดกลุ่มบทความ Wikipedia ส่วนที่ 1 Exercise 13: การจัดกลุ่มบทความ Wikipedia ตอนที่ 2

ในบทนี้ คุณจะได้เรียนรู้เทคนิคการลดมิติข้อมูลที่เรียกว่า "Non-negative matrix factorization" ("NMF") ซึ่งแสดงตัวอย่างข้อมูลในรูปของส่วนประกอบที่ตีความได้ เช่น แสดงเอกสารในรูปของหัวข้อต่าง ๆ และแสดงรูปภาพในรูปของรูปแบบที่ปรากฏบ่อย นอกจากนี้คุณยังจะได้เรียนรู้การใช้ NMF สร้างระบบแนะนำ ที่สามารถแนะนำบทความที่น่าสนใจหรือศิลปินเพลงที่ตรงกับประวัติการฟังของคุณได้

Exercise 1: Non-negative Matrix Factorization (NMF)Exercise 2: ข้อมูลที่ไม่ติดลบ Exercise 3: NMF กับบทความ Wikipedia Exercise 4: ฟีเจอร์ NMF ของบทความ Wikipedia Exercise 5: NMF สร้างตัวอย่างข้อมูลขึ้นใหม่Exercise 6: NMF เรียนรู้ส่วนประกอบที่ตีความได้Exercise 7: NMF เรียนรู้หัวข้อของเอกสาร Exercise 8: สำรวจชุดข้อมูลตัวเลข LED Exercise 9: NMF เรียนรู้ส่วนประกอบของภาพ Exercise 10: PCA ไม่ได้เรียนรู้ส่วนประกอบย่อย Exercise 11: การสร้างระบบแนะนำด้วย NMF Exercise 12: บทความใดที่คล้ายกับ 'Cristiano Ronaldo'?Exercise 13: แนะนำศิลปินดนตรี ส่วนที่ 1 Exercise 14: แนะนำศิลปินเพลง ส่วนที่ 2 Exercise 15: บทสรุปและข้อคิดสุดท้าย