Métodos de aprendizaje automático no supervisado

Name: Métodos de aprendizaje automático no supervisado
Author: Gabriel Popoola

Este capítulo presentará conceptos y técnicas de aprendizaje automático no supervisado. Enseñará los modelos de mezcla gaussiana. También abarcará varios tipos…

Preview the first lesson free — get full access to all 3 lessons.

Solicitar una demo Iniciar sesión

Curso: bajo demanda

Bienvenido al curso de KnowledgeCity sobre el aprendizaje automático, y métodos de aprendizaje automático supervisado. En estas lecciones, aprenderá sobre Modelos de mezcla gaussiana, agrupamiento, incluyendo k-means, escaneo DB y óptica, y aprendizaje múltiple, incluido isomap, escalamiento multidimensional, e incrustación de vecinos estocásticos distribuidos en t. Esta lección será sobre modelos de mezcla gaussiana. donde aprenderás qué es un modelo de mezcla gaussiana, ¿Cómo se utilizan y cómo se implementan? El modelo de mezcla gaussiana es un tipo de modelo probabilístico que asume todos los puntos dentro de un conjunto de datos se generan a partir de un número finito de distribuciones gaussianas. Se puede ver como una forma de agrupar sus datos de tal forma que cada cluster tenga una distribución gaussiana. Esto permitirá identificar qué clúster un punto desconocido pertenece a con un alto nivel de confianza. ¿Cómo se utilizan los modelos de mezcla gaussiana? Por lo general, se utilizan para representar distribuciones normalmente subpoblaciones dentro de una población total. También son capaces de aprender automáticamente subpoblaciones sin tener ninguna indicación de qué subpoblación puede pertenecer un punto en particular. A continuación, veremos cómo los modelos de mezcla gaussiana se implementan en Python. Esto está usando el paquete scikit-learn, y aquí voy a mostrar un ejemplo de agrupamiento, y luego les voy a mostrar cómo se ven las distribuciones para cada uno de los conglomerados. Así que todo lo que hago aquí es importar mis paquetes, y luego estoy creando un conjunto de datos de círculos ruidosos, que verá exactamente cómo se ve en breve. Así que lo que tenemos aquí son dos círculos. Simplemente están hechos de, ya sabes, 5.000 puntos totales. Y aquí, estoy definiendo el modelo de mezcla. Y para n componentes aquí, es solo la cantidad de componentes, y básicamente lo que eso significa es, porque lo estoy usando como una técnica de agrupamiento aquí, va a haber dos grupos o dos subpoblaciones que se detectan o definen. Así que ahora que está hecho, voy a trazar los dos grupos. Y así, como se puede ver aquí, el modelo de mezcla gaussiana separado los círculos en diagonal aquí, en lugar de un círculo interior y un círculo exterior. Y ahora que tenemos esto, Solo quiero mostrarte... Una comparación. Entonces, aquí tenemos los datos completos de la población, y luego aquí tenemos los datos de la subpoblación. Así que la idea aquí es que porque este es un modelo de mezcla gaussiana, la modelo hizo lo que pudo para que los datos que son azules y los datos que son verdes ambos tienen distribuciones gaussianas. Y para comprobar eso, Voy a trazar esas distribuciones. Y así, como se puede ver aquí, ambas distribuciones son iguales. De hecho, son solo reflejos el uno del otro, y no son perfectamente gaussianos, pero tienen la forma general de una distribución gaussiana. Y entonces, Dos cosas que debes saber sobre esto. Uno, los datos en realidad no se distribuyeron de forma gaussiana, ¿verdad? Y entonces, lo que hizo el algoritmo fue tomar lo mejor, ya sabes, dividir los datos, o, ya sabes, grupo de datos eso lo acercaría lo más posible a la distribución de Gauss como sea posible. Si estos datos fueran en realidad una distribución gaussiana, o incluso si tuviéramos más puntos, estas parcelas se verían más como las curvas de distribución de Gauss que estamos acostumbrados a ver. Entonces esto concluye esta lección, ya continuación, vamos a discutir la agrupación. Gracias.

Principiante Proveedor : Gabriel Popoola 3 lecciones · 14m en Árabe, Alemán, Inglés, Español, Francés, Portugués, Urdu, Chinese

Descripción del curso

Este capítulo presentará conceptos y técnicas de aprendizaje automático no supervisado. Enseñará los modelos de mezcla gaussiana. También abarcará varios tipos de agrupación. Este capítulo también introducirá el concepto de aprendizaje múltiple y la diferencia entre varios tipos.

Objetivos de aprendizaje:

Habilidades:

Lo que aprenderás

Entienda los conceptos y técnicas principales del aprendizaje automático no supervisado
Aprenda sobre modelos de mezcla gaussiana
Explore diversos tipos de agrupación, incluyendo agrupación espectral
Examine el aprendizaje de variedades y las diferencias entre sus diversos tipos

Puntos clave

El aprendizaje automático no supervisado cubre conceptos y técnicas que incluyen modelos de mezcla gaussiana, agrupación y aprendizaje de variedades.
La agrupación puede tomar diversos tipos, y la agrupación espectral está entre los métodos relevantes para este material.
El aprendizaje de variedades se introduce junto con las diferencias entre sus diversos tipos.
El curso aborda algoritmos de aprendizaje automático y métodos de minería de datos dentro de un contexto de aprendizaje no supervisado.

Preguntas frecuentes

¿Qué temas cubre este curso?

Introduce conceptos y técnicas de aprendizaje automático no supervisado, cubriendo modelos de mezcla gaussiana, diversos tipos de agrupación y aprendizaje de variedades, incluyendo la diferencia entre sus diversos tipos.

¿Qué lecciones se incluyen?

El curso incluye tres lecciones: Modelos de Mezcla Gaussiana, Agrupación y Aprendizaje de Variedades.

¿Qué habilidades ganaré de este curso?

Construirá habilidades en métodos de minería de datos, aprendizaje automático, algoritmos de aprendizaje automático, métodos de aprendizaje automático, agrupación espectral y aprendizaje no supervisado.

¿Cuáles son los objetivos de aprendizaje de este curso?

Los objetivos de aprendizaje son aprender sobre modelos de mezcla gaussiana, agrupación y aprendizaje de variedades.