خوشه‌بندی و کاهش ابعاد - بررسی عمیق

آنچه یاد خواهید گرفت:

• تسلط به خوشه‌بندی و کاهش ابعاد در پایتون
• خوشه‌بندی مبتنی بر k-means (k-means و k-modes و k-prototypes)
• خوشه‌بندی سلسله‌مراتبی (خوشه‌بندی تجمعی)
• نسب‌های خوشه‌بندی تجمعی - حداقل، حداکثر، میانگین و Wald
• خوشه‌بندی مبتنی بر چگالی (DBSCAN و HDBSCAN)
• اعتبارسنجی خوشه‌بندی مبتنی بر چگالی (DBCV)
• خوشه‌بندی مبتنی بر گراف (الگوریتم Louvain)
• کاهش ابعاد (PCA و UMAP)
• مزایا و معایب الگوریتم‌ها
• راهنمایی‌های عمومی برای الگوریتم‌ها
• رویکردهای مختلف برای پیش‌پردازش داده‌ برای خوشه‌بندی و کاهش ابعاد
• متریک‌هایی برای تحلیل کیفیت خوشه
• مقایسه خوشه‌بندی‌های داده
• تحلیل ویژگی‌های خوشه
• استفاده همزمان از خوشه‌بندی و کاهش ابعاد
• خوشه‌بندی داده‌ عددی، دسته‌ای و گرافی
• اعمال الگوریتم‌های خوشه‌بندی و کاهش ابعاد روی مجموعه‌ داده‌های پیچیده
• پیش‌نیازهای لازم در پایتون

توضیحات دوره

به دوره عمیق یادگیری ماشین نظارت نشده خوش آمدید که یکی از جنبه‌های اساسی در حوزه علم داده است. یادگیری ماشین نظارت نشده بسیار مهم است، زیرا به ما اجازه می‌دهد الگوها و ساختارهای پنهان در داده‌ را بدون نیاز به مثال‌های برچسب‌گذاری شده پیدا کنیم. این روش نه تنها مفید است، بلکه در مواقعی که برچسب‌گذاری داده غیرعملی یا غیرممکن است، اغلب ضروری است.

در این دوره، تمرکز ما روی دو تکنیک تاثیرگذار در یادگیری نظارت نشده خواهد بود که خوشه‌بندی و کاهش ابعاد نام دارند. خوشه‌بندی به ما کمک می‌کند تا نقاط داده مشابه را بر اساس ویژگی‌هایشان گروه‌بندی کرده و الگوهای نهفته در یک مجموعه داده را کشف کنیم. از سوی دیگر، کاهش ابعاد، مجموعه داده‌های پیچیده را ساده کرده و کار با آنها را آسان‌تر و قابل درک‌تر می‌کند. تسلط به این تکنیک‌ها، کلید استخراج بینش‌های حیاتی از داده‌ است که مهارت مهمی در زمینه علم داده می‌باشد.

خوشه‌بندی و کاهش ابعاد کاربردهای وسیعی در بخش‌های مختلف دارند. در بازاریابی، این تکنیک‌ها به کسب بینش‌های عمیق‌تر درباره مشتریان و بخش‌بندی بازار کمک می‌کنند. متخصصان مراقبت‌های بهداشتی از آنها برای تحلیل داده‌ بیماران و شناسایی الگوها در بیماری‌ها استفاده می‌کنند. در بخش مالی، این تکنیک‌ها برای تحلیل ریسک و شناسایی فعالیت‌های تقلبی حیاتی هستند. این روش‌ها همچنین در بیوانفورماتیک برای تفسیر اطلاعات ژنتیکی به کار می‌روند. در تجارت الکترونیک، این روش‌ها سیستم‌های توصیه محصول را بهبود می‌بخشند و در تحلیل شبکه‌های اجتماعی به درک الگوهای جامعه کمک می‌کنند. همچنین، در برنامه‌ریزی شهری برای تحلیل ترافیک مورد استفاده قرار می‌گیرند. فراتر از اینها، کاربردهای زیادی در صنایع مختلف وجود دارد.

هدف دوره، تحلیل عمیق الگوریتم‌های یادگیری ماشین نظارت نشده است. ما این الگوریتم‌ها را بررسی کرده و نحوه عملکرد داخلی، بهترین شیوه‌ها و محدودیت‌های آنها را توضیح خواهیم داد. این درک عمیق نه تنها از طریق تئوری، بلکه با پیاده‌سازی خود الگوریتم‌ها به دست می‌آید.

این دوره پر از نمایش‌های عملی و مطالعات موردی مختلف است که مفاهیم را واضح و قابل درک می‌سازد. هر مطالعه موردی برای تقویت یک بخش خاص از یادگیری نظارت نشده طراحی شده است. علاوه بر این، دوره شامل یک مطالعه موردی جامع است که در آن این روش‌ها را با استفاده از پروفایل‌های RNA برای گروه‌بندی سلول‌ها، روی یک مجموعه داده واقعی پیچیده اعمال می‌کنیم. این مطالعه موردی نمونه خوبی است از اینکه چگونه این تکنیک‌ها می‌توانند به طور مؤثری برای استخراج بینش‌ها از داده‌ پیچیده استفاده شوند.

در پایان دوره، شما درک جامعی از یادگیری ماشین نظارت نشده خواهید داشت و با دانش و مهارت‌های لازم برای اعمال این تکنیک‌ها در پروژه‌های خود مجهز خواهید شد. چه شما دانشمند داده باشید که به دنبال گسترش مهارت‌های خود است، یا یک یادگیرنده کنجکاو که به مکانیزم‌های یادگیری ماشین علاقه‌مند است، این دوره چیزی برای ارائه به شما دارد.

این دوره برای چه کسانی مناسب است؟

• حرفه‌ای‌های مبتدی و مشتاق داده که می‌خواهند با یادگیری ماشین نظارت نشده آشنا شوند.
• حرفه‌ای‌های سطح متوسط و پیشرفته در داده که می‌خواهند دانش خود را در زمینه یادگیری ماشین نظارت نشده بهبود بخشند.