Analyser les Clusters de Données

Name: Analyser les Clusters de Données
Author: Briana Brownell

Introduction au clustering et à la modélisation et leurs utilisations pour la résolution de problèmes.

Preview the first lesson free — get full access to all 7 lessons.

Cours : à la demande

Dans cette leçon, nous allons commencer par parler de une partie de la théorie de base derrière le clustering et pourquoi vous voudriez l'utiliser dans la pratique, y compris les façons dont vous pouvez utiliser le clustering avec d'autres méthodes d'apprentissage automatique comme la réduction de dimension, l'ingénierie des fonctionnalités, et prédiction. L'apprentissage automatique non supervisé est l'un des trois principaux types de l'apprentissage automatique avec l'apprentissage supervisé et l'apprentissage par renforcement. Tous les styles d'apprentissage automatique utilisent des données pour apprendre. Cette définition du Dr Schapire à Princeton donne une idée des styles d'apprentissage que nous pouvons faire avec l'apprentissage automatique. Une façon de penser à l'apprentissage automatique non supervisé est que contrairement à l'apprentissage supervisé et au renforcement, l'apprentissage non supervisé, c'est apprendre sans enseignant. Alors que l'apprentissage automatique supervisé utilise des exemples étiquetés et l'apprentissage par renforcement utilise une sorte de fonction d'utilité ou d'objectif global, l'apprentissage automatique non supervisé nous permet pour trouver des modèles émergents dans des ensembles de données. Et c'est pourquoi l'apprentissage automatique non supervisé a ses propres domaines d'utilisation dans le monde de l'apprentissage automatique dans son ensemble. C'est parce que souvent, nous essayons de faire des prédictions où nous devons faire une sorte d'hypothèse sur les relations entre les variables et les modèles de données que nous pourrions voir. En apprentissage automatique non supervisé, nous voulons trouver ces modèles sans imposer une hypothèse précise sur les données à l'avance. Cela nous permet de trouver des choses vraiment surprenantes. Et en regroupant en particulier ces modèles émergents peut être extrêmement utile. L'apprentissage non supervisé peut être utilisé pour une grande variété de différentes tâches, y compris la segmentation de la clientèle, détection d'anomalies pour des choses comme la fraude, ainsi que dans différents types de modélisation du langage comme regrouper des articles qui traitent de sujets similaires ensemble. Alors maintenant, vous devriez avoir une idée de la relation entre l'apprentissage automatique non supervisé à l'apprentissage supervisé, ainsi qu'à l'apprentissage par renforcement, et les différences fondamentales entre eux.

Intermédiaire Fournisseur : Briana Brownell 7 leçons · 36m en Arabe, Allemand, Anglais, Espagnol, Français, Portugais, Ourdou, Chinese

Description du cours

Ces leçons présenteront le clustering et son espace de problèmes dans l'apprentissage automatique non supervisé. Vous apprendrez à associer le clustering à d'autres étapes de modélisation telles que la réduction de la dimension, l'ingénierie des caractéristiques et la prédiction. Vous apprendrez également comment considérer le clustering d'un point de vue commercial, ainsi que les types de problèmes pour lesquels il est utile.

Ce que vous allez apprendre

Reconnaître comment le clustering s'associe à d'autres domaines de l'apprentissage automatique
Appliquer les étapes de modélisation, y compris la réduction de dimension et la prédiction
Appliquer le clustering aux domaines des opérations commerciales
Comparer les techniques de clustering telles que K-Means, le clustering hiérarchique et spectral
Utiliser des mesures de similarité pour analyser les clusters de données
Combiner le clustering avec l'ingénierie des caractéristiques

Points clés à retenir

Le clustering fait partie de l'espace de problèmes au sein de l'apprentissage automatique non supervisé.
Le clustering peut être associé à d'autres étapes de modélisation telles que la réduction de dimension, l'ingénierie des caractéristiques et la prédiction.
Le clustering peut être considéré d'un point de vue commercial et appliqué aux opérations commerciales.
Le cours couvre les bases du clustering et les mesures de similarité en tant que fondements de l'analyse de cluster.
Le clustering est utile pour certains types de problèmes, que le cours aide à identifier.

Foire aux questions

Que couvre ce cours ?

Il présente le clustering et son espace de problèmes au sein de l'apprentissage automatique non supervisé, y compris la façon dont le clustering s'associe à d'autres étapes de modélisation telles que la réduction de dimension, l'ingénierie des caractéristiques et la prédiction, et comment considérer le clustering d'un point de vue commercial.

Quelles compétences vais-je acquérir grâce à ce cours ?

Vous développerez des compétences en analyse de cluster, classification de données, clustering hiérarchique, clustering K-Means, clustering spectral et apprentissage non supervisé.

Quels sujets sont enseignés dans les leçons ?

Les leçons couvrent l'Apprentissage automatique non supervisé, les Bases du clustering, les Mesures de similarité, le Clustering et la réduction de dimension, le Clustering et l'ingénierie des caractéristiques, le Clustering et la prédiction, et l'Utilisation de clusters de données.

Comment ce cours relie-t-il le clustering au commerce ?

Il enseigne comment considérer le clustering d'un point de vue commercial, pour quels types de problèmes il est utile et comment appliquer le clustering aux domaines des opérations commerciales.