学习如何发现数据集中的潜在分组（即"聚类"）。在本章结束时，您将基于股票价格对公司进行聚类，并通过聚类度量来区分不同物种。

无监督学习

有多少个簇？

对二维点进行聚类

检查您的聚类结果

评估聚类

粮食样本有多少个聚类？

评估谷物聚类效果

为更优的聚类进行特征变换

为聚类缩放鱼类数据

对鱼类数据进行聚类

使用 KMeans 对股票进行聚类

哪些股票走势相近？

用于数据集探索的聚类

本章将介绍两种用于数据可视化的无监督学习技术：层次聚类与 t-SNE。层次聚类把数据样本不断合并为更粗的簇，并生成表示簇层级关系的树状可视化。t-SNE 将数据样本映射到 2 维空间，从而可以直观展示样本之间的相互接近程度。

层级可视化

需要合并多少次？

粮食数据的层次聚类

股票的层次结构

层次聚类中的簇标签

哪些簇最近？

不同的链接方式，不同的层次聚类！

中间层次的聚类结果

提取聚类标签

用于二维映射的 t-SNE

谷物数据集的 t-SNE 可视化

股票市场的 t-SNE 映射

层次聚类与 t-SNE 的可视化

降维通过提取常见模式来概括数据集。在本章中，您将学习最基础的降维技术——"主成分分析"（"PCA"）。PCA 常用于有监督学习之前，以提升模型性能与泛化能力。它对无监督学习同样有用。例如，您将使用一种 PCA 的变体，根据内容对 Wikipedia 文章进行聚类！

可视化 PCA 变换

自然界中的相关数据

使用 PCA 去相关化谷物测量值

主成分

内在维度

第一个主成分

PCA 特征的方差

鱼类数据的内在维度

使用 PCA 进行降维

鱼类测量数据的降维

tf-idf 词频数组

聚类 Wikipedia（第一部分）

Clustering Wikipedia part II

数据去相关与降维

本章将介绍一种名为"非负矩阵分解"（"NMF"）的降维技术，它把样本表示为可解释部分的组合。例如，可将文档表示为主题的组合，将图像表示为常见的视觉模式。您还将学习使用 NMF 构建推荐系统，为您发现相似的可阅读文章，或与您的收听历史相匹配的音乐艺术家！

非负矩阵分解（NMF）

非负数据

将 NMF 应用于 Wikipedia 文章

维基百科文章的 NMF 特征

NMF 重构样本

NMF 学到可解释的部件

NMF 学习文档主题

探索 LED 数字数据集

NMF 学习图像的"部分"

PCA 不会学习"部件"

使用 NMF 构建推荐系统

与 "Cristiano Ronaldo" 相似的文章有哪些？

最后的思考

发现可解释特征

LCD digits

Eurovision 2016

Fish measurements

Course Glossary

Wine

Company stock price movements

Musical artists

Wikipedia articles

Grains

设想您手里有一组客户数据，包含年龄、所在地、财务历史等多种特征，您希望找出其中的模式并将他们分成簇。或者，您有一组文本（如 Wikipedia 页面），希望根据内容将其划分为不同类别。这就是无监督学习：之所以称为"无监督"，是因为您并未通过某个预测任务来引导或监督模式发现，而是从未标注的数据中挖掘潜在结构。无监督学习涵盖机器学习中的多种技术，从聚类到降维再到矩阵分解。在本课程中，您将学习无监督学习的基础，并使用 scikit-learn 和 SciPy 实现核心算法。您将学会如何对未标注的数据集进行聚类、变换、可视化与洞察提取，并在课程最后构建一个推荐系统，为用户推荐受欢迎的音乐艺术家。

视频带有实时字幕，您可以点击视频左下角的 "Show transcript" 展开查看。									
课程术语表位于右侧的资源部分。
									
若要获得 CPE 学分，您需要完成课程并在合格评估中达到 70% 的得分。您可以点击右侧的 CPE 学分提示进入评估。									

Supervised Learning with scikit-learn

使用scikit-learn和scipy对无标签数据集进行聚类、转换、可视化和提取洞察。

Python 中的无监督学习

学习如何使用 scikit-learn 和 scipy 对无标签数据集进行聚类、转换、可视化并提取洞察。

为更优的聚类进行特征变换

Create Your Free Account