Contenidos
Curso de aprendizaje automático no supervisado con Python
Agrupación en clústeres de aprendizaje automático no supervisado y algoritmos de reducción de dimensiones con implementación y aplicaciones de Python
Lo que aprenderás
Curso de aprendizaje automático no supervisado con Python
- Algoritmos de agrupamiento: jerárquico, DBSCAN, K medias, modelo de mezcla gaussiana
- Reducción de dimensiones: análisis de componentes principales (PCA)
- Implementación de algoritmos de agrupación en clústeres y análisis de componentes principales en Python
- Aplicaciones de agrupación en clústeres y PCA utilizando datos del mundo real
Requisitos
- Conocimientos básicos de álgebra lineal, incluidos vectores, matrices, transposición, multiplicaciones de matrices, espacios lineales.
- Conocimientos básicos de probabilidad y estadística, incluida la media, la covarianza y las distribuciones normales.
- Capacidad para programar en Python 3
- Capacidad para ejecutar programas de Python 3 en la máquina local en los cuadernos de Jupyter y la ventana de comandos
Descripción
El aprendizaje automático no supervisado implica encontrar patrones en conjuntos de datos.
Después de tomar este curso, los estudiantes podrán comprender, implementar en Python y aplicar algoritmos de aprendizaje automático no supervisado a conjuntos de datos del mundo real.
Este curso está diseñado para:
- Científicos, ingenieros y programadores, y otras personas interesadas en el aprendizaje automático / ciencia de datos
- No se necesita experiencia previa con el aprendizaje automático
- Los estudiantes deben tener conocimiento de
- Álgebra lineal básica (vectores, transposición, matrices, multiplicación de matrices, inversas, determinantes, espacios lineales)
- Probabilidad básica y estadística (media, matrices de covarianza, distribuciones normales)
- Programación Python 3
El núcleo de este curso implica un estudio detallado de los siguientes algoritmos:
Agrupación: modelo jerárquico, DBSCAN, K medias y mezcla gaussiana
Reducción de dimensiones: análisis de componentes principales
El curso presenta las matemáticas subyacentes a estos algoritmos, incluidas las distribuciones normales, la maximización de expectativas y la descomposición de valores singulares. Este curso también presenta una explicación detallada del diseño e implementación de código en Python, incluido el uso de vectorización para acelerar y métricas para medir la calidad de la agrupación en clústeres y la reducción de dimensiones.
Los códigos del curso se utilizan luego para abordar estudios de casos que involucran datos del mundo real para realizar la reducción / agrupación de dimensiones para el conjunto de datos de flores de iris, el conjunto de datos de dígitos MNIST (imágenes) y el conjunto de datos de texto de la BBC (artículos).
Se presentan muchos ejemplos y se utilizan gráficos y animaciones para ayudar a los estudiantes a comprender mejor los algoritmos.
El curso también incluye una serie de ejercicios (teóricos, Jupyter Notebook y programación) para que los estudiantes obtengan práctica adicional.
Todos los recursos (presentaciones, documentos complementarios, demostraciones, códigos, soluciones a ejercicios) se pueden descargar desde el sitio de Github del curso.
Los estudiantes deben tener una instalación de Python, como la plataforma Anaconda, en su máquina con la capacidad de ejecutar programas en la ventana de comandos y en Jupyter Notebooks.
