Müzik sanatçıları önerisi bölüm II

Diyelim ki Bruce Springsteen'in büyük bir hayranısın — başka hangi müzik sanatçılarını sevebilirsin? Önceki egzersizdeki NMF özelliklerini ve kosinüs benzerliğini kullanarak benzer müzik sanatçılarını bul. Önceki egzersizin bir çözümü çalıştırıldı, bu yüzden norm_features, satırlarda normalize edilmiş NMF özelliklerini içeren bir dizidir. Müzik sanatçılarının adları artist_names listesi olarak mevcut.

Bu egzersiz

Python'da Unsupervised Learning

kursunun bir parçasıdır

Kursu Görüntüle

Egzersiz talimatları

pandas'ı pd olarak içe aktar.
artist_names'i indeks olarak kullanarak norm_features'tan bir df DataFrame'i oluştur.
df'in .loc[] erişicisini kullanarak 'Bruce Springsteen' satırını seç. Sonucu artist değişkenine ata.
Her satırın artist ile nokta çarpımını hesaplamak için df'in .dot() metodunu artist üzerinde uygula. Sonucu similarities olarak kaydet.
'Bruce Springsteen' ile en benzer sanatçıları göstermek için similarities'in .nlargest() metodunun sonucunu yazdır.

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

# 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
____

Kodu Düzenle ve Çalıştır

Bu egzersiz

Python'da Unsupervised Learning

kursunun bir parçasıdır

IntermediárioNível de habilidade

4.8+

Kursa Ücretsiz Başlayın

Learn how to discover the underlying groups (or "clusters") in a dataset. By the end of this chapter, you'll be clustering companies using their stock market prices, and distinguishing different species by clustering their measurements.

Exercise 1: Unsupervised Learning Exercise 2: How many clusters?Exercise 3: Clustering 2D points Exercise 4: Inspect your clustering Exercise 5: Evaluating a clustering Exercise 6: How many clusters of grain?Exercise 7: Evaluating the grain clustering Exercise 8: Transforming features for better clusterings Exercise 9: Scaling fish data for clustering Exercise 10: Clustering the fish data Exercise 11: Clustering stocks using KMeans Exercise 12: Which stocks move together?

In this chapter, you'll learn about two unsupervised learning techniques for data visualization, hierarchical clustering and t-SNE. Hierarchical clustering merges the data samples into ever-coarser clusters, yielding a tree visualization of the resulting cluster hierarchy. t-SNE maps the data samples into 2d space so that the proximity of the samples to one another can be visualized.

Exercise 1: Visualizing hierarchies Exercise 2: How many merges?Exercise 3: Hierarchical clustering of the grain data Exercise 4: Hierarchies of stocks Exercise 5: Cluster labels in hierarchical clustering Exercise 6: Which clusters are closest?Exercise 7: Different linkage, different hierarchical clustering!Exercise 8: Intermediate clusterings Exercise 9: Extracting the cluster labels Exercise 10: t-SNE for 2-dimensional maps Exercise 11: t-SNE visualization of grain dataset Exercise 12: A t-SNE map of the stock market

Dimension reduction summarizes a dataset using its common occuring patterns. In this chapter, you'll learn about the most fundamental of dimension reduction techniques, "Principal Component Analysis" ("PCA"). PCA is often used before supervised learning to improve model performance and generalization. It can also be useful for unsupervised learning. For example, you'll employ a variant of PCA will allow you to cluster Wikipedia articles by their content!

Exercise 1: Visualizing the PCA transformation Exercise 2: Correlated data in nature Exercise 3: Decorrelating the grain measurements with PCA Exercise 4: Principal components Exercise 5: Intrinsic dimension Exercise 6: The first principal component Exercise 7: Variance of the PCA features Exercise 8: Intrinsic dimension of the fish data Exercise 9: Dimension reduction with PCA Exercise 10: Dimension reduction of the fish measurements Exercise 11: A tf-idf word-frequency array Exercise 12: Clustering Wikipedia part I Exercise 13: Clustering Wikipedia part II

In this chapter, you'll learn about a dimension reduction technique called "Non-negative matrix factorization" ("NMF") that expresses samples as combinations of interpretable parts. For example, it expresses documents as combinations of topics, and images in terms of commonly occurring visual patterns. You'll also learn to use NMF to build recommender systems that can find you similar articles to read, or musical artists that match your listening history!

Exercise 1: Negatif olmayan matris ayrıştırması (NMF)Exercise 2: Negatif olmayan veriler Exercise 3: Wikipedia makalelerine NMF uygulamak Exercise 4: Wikipedia makalelerinin NMF özellikleri Exercise 5: NMF örnekleri yeniden oluşturur Exercise 6: NMF yorumlanabilir parçaları öğrenir Exercise 7: NMF, belgelerin konularını öğrenir Exercise 8: LED rakamları veri kümesini keşfet Exercise 9: NMF, görüntülerin parçalarını öğrenir Exercise 10: PCA parçaları öğrenmez Exercise 11: NMF kullanarak öneri sistemleri oluşturma Exercise 12: 'Cristiano Ronaldo'ya benzer hangi makaleler var?Exercise 13: Müzik sanatçıları önerisi I Exercise 14: Müzik sanatçıları önerisi bölüm II

Geçerli Egzersiz

Exercise 15: Son düşünceler