Lời kết

Create Your Free Account

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

Bài tập này là một phần của khóa học

Unsupervised Learning bằng Python

SkillTag.level.intermediateSkillTag.label

4.8+

Học cách khám phá các nhóm (hay "cụm") tiềm ẩn trong một tập dữ liệu. Kết thúc chương này, bạn sẽ phân cụm các công ty dựa trên giá cổ phiếu của họ và phân biệt các loài khác nhau bằng cách phân cụm theo các phép đo.

Exercise 1: Unsupervised Learning Exercise 2: Có bao nhiêu cụm?Exercise 3: Phân cụm các điểm 2D Exercise 4: Kiểm tra cụm của bạn Exercise 5: Đánh giá mô hình phân cụm Exercise 6: Có bao nhiêu cụm lúa mì?Exercise 7: Đánh giá phân cụm hạt ngũ cốc Exercise 8: Biến đổi đặc trưng để phân cụm tốt hơn Exercise 9: Chuẩn hóa dữ liệu cá để phân cụm Exercise 10: Phân cụm dữ liệu cá Exercise 11: Phân cụm cổ phiếu bằng KMeans Exercise 12: Những cổ phiếu nào biến động cùng nhau?

Trong chương này, bạn sẽ học hai kỹ thuật unsupervised learning để trực quan hóa dữ liệu: phân cụm phân cấp và t-SNE. Phân cụm phân cấp gộp các mẫu dữ liệu vào các cụm ngày càng thô hơn, tạo ra một sơ đồ cây thể hiện thứ bậc các cụm. t-SNE ánh xạ các mẫu dữ liệu vào không gian 2D để bạn có thể trực quan hóa mức độ gần nhau giữa các mẫu.

Exercise 1: Trực quan hóa hệ phân cấp Exercise 2: Có bao nhiêu lần gộp?Exercise 3: Phân cụm phân cấp cho dữ liệu hạt ngũ cốc Exercise 4: Phân cấp cổ phiếu Exercise 5: Nhãn cụm trong phân cụm phân cấp Exercise 6: Cụm nào gần nhau nhất?Exercise 7: Liên kết khác, phân cụm phân cấp cũng khác!Exercise 8: Phân cụm trung gian Exercise 9: Trích xuất nhãn cụm Exercise 10: t-SNE cho bản đồ 2 chiều Exercise 11: Trực quan hóa t-SNE cho bộ dữ liệu hạt ngũ cốc Exercise 12: Bản đồ t-SNE của thị trường chứng khoán

Giảm chiều tóm tắt một tập dữ liệu bằng các mẫu lặp lại phổ biến của nó. Trong chương này, bạn sẽ học về kỹ thuật giảm chiều nền tảng nhất, "Principal Component Analysis" ("PCA"). PCA thường được dùng trước supervised learning để cải thiện hiệu suất và khả năng khái quát hóa của mô hình. Nó cũng hữu ích cho unsupervised learning. Ví dụ, bạn sẽ dùng một biến thể của PCA cho phép bạn phân cụm các bài viết Wikipedia theo nội dung!

Exercise 1: Trực quan hóa phép biến đổi PCA Exercise 2: Dữ liệu có tương quan trong tự nhiên Exercise 3: Khử tương quan các phép đo hạt bằng PCA Exercise 4: Các thành phần chính Exercise 5: Số chiều nội tại Exercise 6: Thành phần chính thứ nhất Exercise 7: Phương sai của các đặc trưng PCA Exercise 8: Số chiều nội tại của dữ liệu cá Exercise 9: Giảm chiều bằng PCA Exercise 10: Giảm chiều dữ liệu đo đạc cá Exercise 11: Mảng tần suất từ tf-idf Exercise 12: Phân cụm Wikipedia phần I Exercise 13: Phân cụm Wikipedia - phần II

Trong chương này, bạn sẽ học về một kỹ thuật giảm chiều gọi là "Non-negative matrix factorization" ("NMF") giúp biểu diễn các mẫu như sự kết hợp của các phần có thể diễn giải. Chẳng hạn, nó biểu diễn tài liệu như sự kết hợp của các chủ đề, và hình ảnh theo các mẫu hình thị giác thường gặp. Bạn cũng sẽ học cách dùng NMF để xây dựng hệ gợi ý có thể tìm các bài viết tương tự để đọc, hoặc các nghệ sĩ âm nhạc phù hợp với lịch sử nghe của bạn!

Exercise 1: Phân rã ma trận không âm (NMF)Exercise 2: Dữ liệu không âm Exercise 3: Áp dụng NMF cho các bài viết trên Wikipedia Exercise 4: Các đặc trưng NMF của các bài viết Wikipedia Exercise 5: NMF tái tạo mẫu như thế nào Exercise 6: NMF học ra các phần có thể diễn giải Exercise 7: NMF học các chủ đề của tài liệu Exercise 8: Khám phá bộ dữ liệu chữ số LED Exercise 9: NMF học ra các phần cấu thành của ảnh Exercise 10: PCA không học các phần cấu thành Exercise 11: Xây dựng hệ gợi ý bằng NMF Exercise 12: Bài viết nào giống với 'Cristiano Ronaldo'?Exercise 13: Gợi ý nghệ sĩ âm nhạc phần I Exercise 14: Gợi ý nghệ sĩ âm nhạc - phần II Exercise 15: Lời kết

Bài tập hiện tại