Unsupervised learning trong đời thực

Ví dụ nào dưới đây có thể giải quyết bằng học không giám sát?

Bài tập này là một phần của khóa học

Phân cụm trong Python

Xem khóa học

Bài tập tương tác thực hành

Biến lý thuyết thành hành động với một trong các bài tập tương tác của chúng tôi

Bắt đầu bài tập

Bài tập này là một phần của khóa học

Phân cụm trong Python

SkillTag.level.intermediateSkillTag.label

4.8+

1018 reviews

Bắt đầu khóa học miễn phí

Trước khi sẵn sàng phân loại các bài báo, bạn cần nắm các kiến thức cơ bản về phân cụm. Chương này giúp bạn làm quen với một nhóm thuật toán Machine Learning gọi là học không giám sát, sau đó giới thiệu phân cụm — một trong những thuật toán phổ biến của nhóm này. Bạn sẽ biết về hai kỹ thuật phân cụm thông dụng: phân cụm phân cấp và phân cụm k-means. Chương kết thúc với các bước tiền xử lý cơ bản trước khi bạn bắt đầu phân cụm dữ liệu.

Exercise 1: Unsupervised learning: những điều cơ bản Exercise 2: Unsupervised learning trong đời thực

Bài tập hiện tại

Exercise 3: Phát hiện Pokémon Exercise 4: Những điều cơ bản về phân tích phân cụm Exercise 5: Bắt gặp Pokémon: phân cụm phân cấp Exercise 6: Phát hiện Pokémon: phân cụm k-means Exercise 7: Chuẩn bị dữ liệu cho phân tích phân cụm Exercise 8: Chuẩn hóa dữ liệu danh sách cơ bản Exercise 9: Trực quan hóa dữ liệu đã chuẩn hóa Exercise 10: Chuẩn hóa các số nhỏ Exercise 11: FIFA 18: Chuẩn hóa dữ liệu

Chương này tập trung vào một thuật toán phân cụm phổ biến — phân cụm phân cấp — và cách hiện thực trong SciPy. Bên cạnh quy trình thực hiện phân cụm phân cấp, nội dung còn giúp bạn trả lời một câu hỏi quan trọng: có bao nhiêu cụm trong dữ liệu của bạn? Chương kết thúc bằng việc bàn về những hạn chế của phân cụm phân cấp và các lưu ý khi sử dụng phương pháp này.

Exercise 1: Những điều cơ bản về phân cụm phân cấp Exercise 2: Phân cụm phân cấp: phương pháp ward Exercise 3: Phân cụm phân cấp: phương pháp single Exercise 4: Phân cụm phân cấp: phương pháp complete Exercise 5: Trực quan hóa cụm Exercise 6: Trực quan hóa các cụm với matplotlib Exercise 7: Trực quan hóa các cụm với seaborn Exercise 8: Có bao nhiêu cụm?Exercise 9: Tạo dendrogram Exercise 10: Có bao nhiêu cụm trong dữ liệu Comic Con?Exercise 11: Hạn chế của phân cụm phân cấp Exercise 12: Đo thời gian chạy của phân cụm phân cấp Exercise 13: FIFA 18: khám phá hậu vệ

Chương này giới thiệu một thuật toán phân cụm khác — phân cụm k-means — và cách hiện thực trong SciPy. K-means khắc phục nhược điểm lớn nhất của phân cụm phân cấp đã nêu ở chương trước. Vì dendrogram chỉ áp dụng cho phân cụm phân cấp, chương này trình bày một phương pháp xác định số cụm trước khi chạy k-means. Chương kết thúc với phần thảo luận về hạn chế của k-means và các lưu ý khi sử dụng thuật toán này.

Exercise 1: Những điều cơ bản về phân cụm k-means Exercise 2: Phân cụm k-means: bài tập đầu tiên Exercise 3: Thời gian chạy của k-means clustering Exercise 4: Có bao nhiêu cụm?Exercise 5: Phương pháp khuỷu tay trên các cụm tách biệt Exercise 6: Phương pháp khuỷu tay trên dữ liệu phân bố đều Exercise 7: Hạn chế của phân cụm k-means Exercise 8: Ảnh hưởng của seed lên các cụm riêng biệt Exercise 9: Mẫu phân cụm đồng đều Exercise 10: FIFA 18: quay lại với hậu vệ

Giờ bạn đã quen với hai kỹ thuật phân cụm phổ biến nhất, chương này giúp bạn áp dụng kiến thức vào các bài toán thực tế. Trước hết, chương bàn về quy trình tìm màu sắc chủ đạo trong một ảnh, sau đó quay lại vấn đề đã nêu ở phần mở đầu — phân cụm các bài báo. Chương kết thúc với thảo luận về phân cụm với nhiều biến, điều này khiến việc trực quan hóa toàn bộ dữ liệu trở nên khó khăn.

Exercise 1: Màu chủ đạo trong ảnh Exercise 2: Trích xuất giá trị RGB từ ảnh Exercise 3: Có bao nhiêu màu chủ đạo?Exercise 4: Hiển thị các màu chủ đạo Exercise 5: Phân cụm tài liệu Exercise 6: TF-IDF cho phần tóm tắt phim Exercise 7: Thuật ngữ tiêu biểu trong các cụm phim Exercise 8: Phân cụm với nhiều đặc trưng Exercise 9: Phân cụm với nhiều đặc trưng Exercise 10: Kiểm tra cơ bản trên các cụm Exercise 11: FIFA 18: điều gì tạo nên một cầu thủ toàn diện?Exercise 12: Tạm biệt!