學習如何找出資料集中潛在的群組（或「叢集」）。在本章結束時，你會用股價資料對公司進行分群，並透過分群以量測資料來區分不同物種。

Unsupervised Learning（無監督式學習）

有幾個叢集？

對 2D 點進行分群

檢視你的分群結果

評估分群

穀物有幾個叢集？

評估穀物叢集成效

為了更好的分群而進行特徵轉換

為分群進行魚類資料的縮放標準化

以叢集分析探索魚類資料

使用 KMeans 分群股票

哪些股票會一起波動？

用分群探索資料集

本章將介紹兩種用於資料視覺化的非監督式學習技術：階層式分群與 t-SNE。階層式分群會將資料樣本逐步合併為更粗的叢集，並以樹狀圖呈現得到的叢集階層。t-SNE 則把資料樣本映射到 2 維空間，讓樣本之間的相近關係能被視覺化。

階層結構視覺化

要合併幾次？

穀物資料的階層式分群

股票的階層結構

階層式分群中的叢集標籤

哪些叢集最近？

不同連結法，階層式分群就不同！

中階分群結果

擷取分群標籤

t-SNE 的 2 維映射

以 t-SNE 視覺化穀物資料集

股市的 t-SNE 地圖

使用階層式分群與 t-SNE 的視覺化

降維會以常見的出現模式來摘要一個資料集。在本章中，你將學習最基礎的降維技術——「主成分分析」（「PCA」）。PCA 常在監督式學習前使用，以提升模型效能與泛化能力；同樣也能用於非監督式學習。例如，你將運用一種 PCA 的變體，依內容對 Wikipedia 文章進行分群！

視覺化 PCA 轉換

自然界中的相關資料

用 PCA 讓穀物量測去相關化

主成分

內在維度

第一主成分

PCA 特徵的變異數

魚類資料的內在維度

使用 PCA 進行降維

魚類量測值的降維

tf-idf 詞頻陣列

分群 Wikipedia（第一部分）

維基百科分群（下）

資料去相關與降維

本章將介紹一種名為「非負矩陣分解」（「NMF」）的降維技術，能將樣本表達為可解釋部件的組合。例如，它能將文件表達為主題的組合，並以常見的視覺模式來表達影像。你也會學到如何使用 NMF 建立推薦系統，找出適合你閱讀的相似文章，或符合你收聽紀錄的音樂藝人！

非負矩陣分解（NMF）

非負資料

將 NMF 應用到 Wikipedia 文章

Wikipedia 文章的 NMF 特徵

NMF 重建樣本

NMF 學會可解釋的部分

NMF 學出文件主題

探索 LED 數字資料集

NMF 學出影像的組成部分

PCA 不會學到部件

使用 NMF 建立推薦系統

哪些文章與「Cristiano Ronaldo」相似？

最後的想法

發掘可解釋的特徵

LCD digits

Eurovision 2016

Fish measurements

Course Glossary

Wine

Company stock price movements

Musical artists

Wikipedia articles

Grains

假設你擁有一群顧客的資料，包含年齡、地點與財務紀錄等特徵，並希望找出其中的模式，將他們分成不同叢集。或者你手上有一組文本（例如 Wikipedia 頁面），想依內容將它們劃分成各個類別。這就是非監督式學習的領域。之所以稱為「非監督式」，是因為你不是透過某個預測任務來引導或監督模式的發現，而是從未標記資料中找出隱含的結構。非監督式學習包含多種機器學習技術，從分群、降維到矩陣分解等。在本課程中，你將學習非監督式學習的基礎，並使用 scikit-learn 和 SciPy 實作核心演算法。你會學到如何對未標記的資料集進行分群、轉換、視覺化與洞察萃取，最後以建置一個推薦系統作結，推薦受歡迎的音樂藝人。

影片含有即時逐字稿，你可以點擊影片左下角的「Show transcript」來顯示。									
課程名詞表位於右側的資源區塊中。
									
若要取得 CPE 學分，你需要完成課程並在合格測驗中達到 70% 的成績。你可以點擊右側的 CPE 學分提示前往該測驗。									

Supervised Learning with scikit-learn

使用scikit-learn和scipy學習如何對未標記數據集進行聚類、轉換、可視化和提取見解。

Unsupervised Learning in Python

掌握使用 scikit-learn 和 scipy 對未標記資料集進行分群、轉換、視覺化與洞察提取。

為了更好的分群而進行特徵轉換

Create Your Free Account