Análise de cluster em Python
Neste curso, você aprenderá sobre aprendizado não supervisionado com técnicas de clustering usando SciPy.
Comece O Curso Gratuitamente4 horas14 vídeos46 exercícios56.277 aprendizesDeclaração de Realização
Crie sua conta gratuita
ou
Ao continuar, você aceita nossos Termos de Uso, nossa Política de Privacidade e que seus dados são armazenados nos EUA.Treinar 2 ou mais pessoas?
Tentar DataCamp for BusinessAmado por alunos de milhares de empresas
Descrição do Curso
Você provavelmente já se deparou com o Google News, que agrupa automaticamente artigos de notícias semelhantes em um tópico. Você já se perguntou qual processo é executado em segundo plano para chegar a esses grupos? Neste curso, você será apresentado ao aprendizado não supervisionado por meio de agrupamento usando a biblioteca SciPy em Python. Este curso abrange o pré-processamento de dados e a aplicação de agrupamento hierárquico e k-means. No curso, você explorará as estatísticas dos jogadores de um jogo de futebol popular, o FIFA 18. Após concluir o curso, você será capaz de aplicar rapidamente vários algoritmos de agrupamento nos dados, visualizar os agrupamentos formados e analisar os resultados.
Treinar 2 ou mais pessoas?
Obtenha acesso à sua equipe à plataforma DataCamp completa, incluindo todos os recursos.Nas seguintes faixas
Cientista de aprendizado de máquina em Python
Ir para a trilha- 1
Introdução ao clustering
GratuitoAntes de estar pronto para classificar artigos de notícias, você precisa conhecer os conceitos básicos de clustering. Este capítulo o familiariza com uma classe de algoritmos de aprendizado de máquina chamada aprendizado não supervisionado e, em seguida, apresenta a você o agrupamento, um dos algoritmos populares de aprendizado não supervisionado. Você conhecerá duas técnicas de agrupamento populares: agrupamento hierárquico e agrupamento k-means. O capítulo termina com as etapas básicas de pré-processamento antes de você começar a clusterizar os dados.
Aprendizado não supervisionado: noções básicas50 xpAprendizagem não supervisionada no mundo real50 xpAvistamentos de Pokémon100 xpNoções básicas de análise de agrupamento50 xpAvistamentos de Pokémon: agrupamento hierárquico100 xpAvistamentos de Pokémon: agrupamento k-means100 xpPreparação de dados para análise de cluster50 xpNormalizar dados da lista básica100 xpVisualizar dados normalizados100 xpNormalização de números pequenos100 xpFIFA 18: Normalizar dados100 xp - 2
Agrupamento hierárquico
Este capítulo se concentra em um algoritmo de agrupamento popular - o agrupamento hierárquico - e sua implementação no SciPy. Além do procedimento para executar o agrupamento hierárquico, ele tenta ajudar você a responder a uma pergunta importante: quantos agrupamentos estão presentes nos seus dados? O capítulo termina com uma discussão sobre as limitações do agrupamento hierárquico e discute as considerações ao usar o agrupamento hierárquico.
Noções básicas de agrupamento hierárquico50 xpAgrupamento hierárquico: método ward100 xpAgrupamento hierárquico: método único100 xpAgrupamento hierárquico: método completo100 xpVisualizar clusters50 xpVisualize agrupamentos com matplotlib100 xpVisualize clusters com o seaborn100 xpQuantos clusters você tem?50 xpCriar um dendrograma100 xpQuantos clusters existem nos dados da comic con?50 xpLimitações do agrupamento hierárquico50 xpExecução de tempo de agrupamento hierárquico50 xpFIFA 18: explorando os defensores100 xp - 3
Agrupamento K-Means
Este capítulo apresenta um algoritmo de agrupamento diferente - o agrupamento k-means - e sua implementação no SciPy. O agrupamento K-means supera a maior desvantagem do agrupamento hierárquico que foi discutida no último capítulo. Como os dendrogramas são específicos do agrupamento hierárquico, este capítulo discute um método para encontrar o número de clusters antes de executar o agrupamento k-means. O capítulo termina com uma discussão sobre as limitações do k-means clustering e discute as considerações ao usar esse algoritmo.
Noções básicas de k-means clustering50 xpK-means clustering: primeiro exercício100 xpTempo de execução do k-means clustering50 xpQuantos clusters você tem?50 xpMétodo do cotovelo em grupos distintos100 xpMétodo do cotovelo em dados uniformes100 xpLimitações do k-means clustering50 xpImpacto das sementes em grupos distintos100 xpPadrões uniformes de agrupamento100 xpFIFA 18: defensores revisitados100 xp - 4
Clustering no mundo real
Agora que você já conhece duas das técnicas de clustering mais populares, este capítulo o ajudará a aplicar esse conhecimento a problemas do mundo real. O capítulo primeiro discute o processo de encontrar cores dominantes em uma imagem, antes de passar para o problema discutido na introdução - agrupamento de artigos de notícias. O capítulo termina com uma discussão sobre clustering com várias variáveis, o que dificulta a visualização de todos os dados.
Cores dominantes em imagens50 xpExtraia os valores RGB da imagem100 xpQuantas cores dominantes você tem?100 xpExibir cores dominantes100 xpAgrupamento de documentos50 xpTF-IDF de enredos de filmes100 xpPrincipais termos em grupos de filmes100 xpAgrupamento com vários recursos50 xpAgrupamento com muitos recursos50 xpVerificações básicas em clusters100 xpFIFA 18: O que torna um jogador completo?100 xpAté logo!50 xp
Treinar 2 ou mais pessoas?
Obtenha acesso à sua equipe à plataforma DataCamp completa, incluindo todos os recursos.Nas seguintes faixas
Cientista de aprendizado de máquina em Python
Ir para a trilhaShaumik Daityari
Ver MaisBusiness Analyst at American Express
O que os outros alunos têm a dizer?
Junte-se a mais de 15 milhões de alunos e comece Análise de cluster em Python hoje mesmo!
Crie sua conta gratuita
ou
Ao continuar, você aceita nossos Termos de Uso, nossa Política de Privacidade e que seus dados são armazenados nos EUA.