آنالیز خوشه بندی و یادگیری ماشین بدون نظارت در پایتون

توضیحات

آنالیز خوشه بندی و یادگیری ماشین بدون نظارت در پایتون

استفاده از تکنیک های داده ای برای شناخت الگو ،داده کاوی ، خوشه بندی k-means  و خوشه بندی سلسه مراتبی و KDE

در این دوره چه چیزهایی یاد خواهید گرفت ؟

• یادگیری الگوریتم K-means
• یادگیری معایب خوشه بندی k – means
• یادگیری خوشه بندی سلسله مراتبی
• توضیح کامل از کارکرد آرگومان های خوشه بندی سلسله مراتبی
• اعمال فایل های کتابخانه ای خوشه بندی به داده ها
• یادگیری چگونگی خواندن dendrogram
• یادگیری روش های مختلف معیار فاصله در خوشه بندی
• یادگیری تفاوت بین پیوندهای تکی ، پیوند کامل و پیوند های چندبخشی و UPGMA
• یادگیری مدل Gaussian mixture و چگونگی استفاده از ان برای تخمین چگالی
• یادگیری نوشتن GMM در کدنویسی پایتون
• توضیح GMM در مقابل خوشه بندی K-means
• توضیح الگوریتم expectation-maximization (به حداکثر رساندن سطح انتظار)
• یادگیری اینکه GMM چگونه برخی از معایب K-means  را برطرف میکند
• یادگیری مشکل کواریانس منحصر به فرد و نحوه رفع آن

چه چیزهایی در این دوره نیاز دارید ؟

بلد بودن نوشتن کدنویسی در پایتون و کار با فایل های کتابخانه ای (numpy )

توضیحات :

آنالیز خوشه بندی یکی از ابزار های اصلی در یادگیری ماشین بدون نظارت و علم داده ای است که بسیار در حیطه داده کاوی و داده های بزرگ کاربردی است زیرا برخلاف مدل یادگیری ماشین با نطارت بدون نیاز به برچسب زدن ، الگوهای داده ای را پیدا می کند. شاید در دنیای واقعی یک ربات یا هوش مصنوعی وجود داتشه باشد که پاسخ صحیح و بهینه ای به ما ندهد در این دوره شما قادر خواهید بود به تنهایی با  یادگیری الگوها ، جهان را کشف کنید .آیا از استفاده داده ها در الگوریتم های یادگیری ماشین  با نظارت،  تعجب میکنید ؟ ما یک csu  یا یک جدول داریم که با X_s  و Y_S در ارتباط است.اگر شما در گیر دستیابی به اطلاعات نباشید ممکن است اصلا به آن فکر نکنید اما باید کسی وجود داشته باشد که این اطلاعات را ایجاد کند. Y_Sها باید از یک جایی شروع شوند گاهی اوقات شما به این نوع اطلاعات دسترسی ندارید و یا برای دستیابی به آن باید هزینه کنید پس اگر شما در مرحله آنالیز داده ها و تشخیص الگو ها هستید در مرحله بسیار ارزشمندی هستید .در این زمان است که یادگیری ماشین بدون نظارت برای اجرا بوجود می آید .در این دوره برای اولین بار در مورد خوشه بندی صحبت میشود و بجای آموزش تگ زنی سعی میکنیم از تگ های خودمان  استفاده کنیم.که این کار با گروه بندی کردن داده ها انجام میشود. در این دوره در مورد 2 نوع خوشه بندی صحبت میکنیم : خوشه بندی k-means  و خوشه بندی سلسله مراتبی و برای توزییع احتمالات  و تخمین تراکم ها  از مدل  Gaussian mixture   استفاده میکنیم. در این دوره به یک واقعیت جالب پی میبریم این حقیقت چیز نیست جز اینکه مدل Gaussian mixture   و k-means  دقیقا یکسان هستند که این را اثبات خواهیم کرد. تمام الگوریتم هایی که ما در این دوره در مورد آن صحبت خواهیم کرد همگی براساس یادگیری ماشین و علم داده ای هستند بنابراین برای اینکه بدانیم چگونه از داده ها و الگوها الگوریتم ها را بدون نیاز به تگ کردن استخراج کنیم این دوره بسیار برای شما مناسب است. تمام اینها در این دوره رایگان است شما میتوانید numpy  و python  و scipy  را با دستورات ساده در ویندوز و لینوکس یا مک دانلود و نصب کنید. این دوره به شما کمک میکند تا طریقه ساخت را یاد بگیرید نه فقط نحوه استفاده هرکسی میتواند فقط در 15 دقیقه پس از خواندن توضیحات از یک API  استفاده کند در این دوره تجسم آنچه در مدل رخ میدهد را به شما نشان میدهد.اگر شما بیش از یک نگاه سطحی به مدل های یادگیری ماشین میخواهید این دوره برای شما مناسب است