یادگیری بدون نظارت در پایتون
✅ سرفصل و جزئیات آموزش
فرض کنید مجموعهای از مشتریان با ویژگیهای متنوعی مانند سن، موقعیت مکانی و تاریخچه مالی دارید و میخواهید الگوها را کشف کرده و آنها را در خوشههایی مرتب کنید. یا شاید مجموعهای از متون، مانند صفحات ویکیپدیا دارید و میخواهید آنها را بر اساس محتوایشان به دستههایی تقسیم کنید. این دنیای یادگیری بدون نظارت است، که به این نام خوانده میشود زیرا شما کشف الگو را با یک تسک پیشبینی هدایت یا نظارت نمیکنید، بلکه ساختارهای پنهان را از دادههای بدون برچسب آشکار میسازید.
یادگیری بدون نظارت شامل انواع تکنیکها در یادگیری ماشین است، از خوشهبندی گرفته تا کاهش ابعاد و تجزیه ماتریس. در این دوره، شما اصول یادگیری بدون نظارت را خواهید آموخت و الگوریتمهای ضروری را با استفاده از scikit-learn و SciPy پیادهسازی خواهید کرد. شما یاد خواهید گرفت که چگونه مجموعهدادههای بدون برچسب را خوشهبندی کنید، تغییر دهید، مصورسازی نمایید و از آنها بینش استخراج کنید، و دوره را با ساخت یک سیستم توصیهگر برای پیشنهاد هنرمندان موسیقی محبوب به پایان خواهید رساند.
یادگیری بدون نظارت در پایتون
-
یادگیری بدون نظارت None
-
ارزیابی یک خوشهبندی None
-
تبدیل ویژگیها برای خوشهبندیهای بهتر None
-
مصورسازی سلسلهمراتب None
-
برچسبهای خوشه در خوشهبندی سلسلهمراتبی None
-
t-SNE برای نقشههای دوبعدی None
-
مصورسازی تبدیل PCA None
-
بعد ذاتی None
-
کاهش ابعاد با PCA None
-
تجزیه ماتریس غیرمنفی (NMF) None
-
NMF اجزای قابل تفسیر را یاد میگیرد None
-
ساخت سیستمهای توصیهگر با استفاده از NMF None
-
سخن پایانی None
مشخصات آموزش
یادگیری بدون نظارت در پایتون
- تاریخ به روز رسانی: 1404/12/10
- سطح دوره:متوسط
- تعداد درس:13
- مدت زمان :4:00:00
- حجم :841.0MB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy