University of Colorado Boulder
Unüberwachte Algorithmen im maschinellen Lernen
University of Colorado Boulder

Unüberwachte Algorithmen im maschinellen Lernen

Geena Kim

Dozent: Geena Kim

3.975 bereits angemeldet

Enthalten inCoursera Plus

Verschaffen Sie sich einen Einblick in ein Thema und lernen Sie die Grundlagen.
3.9

(14 Bewertungen)

Stufe Mittel

Empfohlene Erfahrung

Flexibler Zeitplan
Ca. 38 Stunden
In Ihrem eigenen Lerntempo lernen
Auf einen Abschluss hinarbeiten
Verschaffen Sie sich einen Einblick in ein Thema und lernen Sie die Grundlagen.
3.9

(14 Bewertungen)

Stufe Mittel

Empfohlene Erfahrung

Flexibler Zeitplan
Ca. 38 Stunden
In Ihrem eigenen Lerntempo lernen
Auf einen Abschluss hinarbeiten

Was Sie lernen werden

  • Erklären Sie, was unüberwachtes Lernen ist, und nennen Sie die Methoden, die beim unüberwachten Lernen verwendet werden.

  • Listen Sie die Algorithmen für die verschiedenen Methoden der Matrixfaktorisierung auf und erklären Sie, wofür sie jeweils verwendet werden.

  • Listen Sie die Algorithmen für die verschiedenen Methoden der Matrixfaktorisierung auf und erklären Sie, wofür sie jeweils verwendet werden.

Kompetenzen, die Sie erwerben

  • Kategorie: Cluster-Analyse
  • Kategorie: Dimensionalitätsreduktion
  • Kategorie: Unüberwachtes Lernen
  • Kategorie: Empfehlungssysteme
  • Kategorie: Matrix-Faktorisierung

Wichtige Details

Erwerben Sie ein Karrierezertifikat.

Zu Ihrem LinkedIn-Profil hinzufügen

Bewertungen

6 Quizzes

Unterrichtet in Englisch

Erfahren Sie, wie Mitarbeiter führender Unternehmen gefragte Kompetenzen erwerben.

Platzhalter

Erweitern Sie Ihre Fachkenntnisse

Dieser Kurs ist Teil der Spezialisierung Spezialisierung Maschinelles Lernen: Theorie und praktische Anwendung mit Python
Wenn Sie sich für diesen Kurs anmelden, werden Sie auch für diese Spezialisierung angemeldet.
  • Lernen Sie neue Konzepte von Branchenexperten
  • Gewinnen Sie ein Grundverständnis bestimmter Themen oder Tools
  • Erwerben Sie berufsrelevante Kompetenzen durch praktische Projekte
  • Erwerben Sie ein Berufszertifikat zur Vorlage
Platzhalter
Platzhalter

Erwerben Sie ein Karrierezertifikat.

Fügen Sie diese Qualifikation zur Ihrem LinkedIn-Profil oder Ihrem Lebenslauf hinzu.

Teilen Sie es in den sozialen Medien und in Ihrer Leistungsbeurteilung.

Platzhalter

In diesem Kurs gibt es 4 Module

Jetzt, da Sie eine solide Grundlage in überwachtem Lernen haben, wenden wir uns der Aufdeckung der verborgenen Struktur von nicht beschrifteten Daten zu. Wir beginnen mit einer Einführung in das unüberwachte Lernen. In diesem Kurs haben die Modelle keine Bezeichnungen mehr, von denen sie lernen können. Sie müssen den Sinn der Daten aus den Beobachtungen selbst erschließen. Diese Woche beschäftigen wir uns mit der Hauptkomponentenanalyse (PCA), einer grundlegenden Technik zur Dimensionsreduktion. Wenn Sie sich zum ersten Mal mit diesem Thema befassen, mag es nicht einfach erscheinen. Zweifelsohne ist in diesem Abschnitt etwas Mathematik im Spiel. Die PCA lässt sich jedoch konzeptionell begreifen, vielleicht leichter als erwartet. Im Kurs Überwachtes Lernen haben wir mit dem Fluch der Dimensionalität gekämpft. Diese Woche werden wir sehen, wie PCA die Anzahl der Dimensionen reduzieren und Klassifizierungs-/Regressionsaufgaben verbessern kann. Sie werden eine Lektüre, ein Quiz und ein Jupyter-Notebook-Labor/Peer Review haben, um den PCA-Algorithmus zu implementieren.

Das ist alles enthalten

3 Videos10 Lektüren3 Quizzes1 peer review2 Diskussionsthemen1 Unbewertetes Labor

Diese Woche arbeiten wir mit Clustering, einer der beliebtesten Methoden des unüberwachten Lernens. Letzte Woche haben wir PCA verwendet, um eine niedrigdimensionale Darstellung der Daten zu finden. Clustering hingegen findet Untergruppen unter den Beobachtungen. Wir können eine aussagekräftige Intuition der Datenstruktur erhalten oder ein Verfahren wie Cluster-then-predict verwenden. Clustering hat mehrere Anwendungen, die von der Kundensegmentierung im Marketing und in der Werbung über die Identifizierung ähnlicher Filme/Musik bis hin zur Genomforschung und der Entdeckung von Krankheitssubtypen reichen. Wir werden uns vor allem auf das K-Means-Clustering und das hierarchische Clustering konzentrieren und dabei die Vor- und Nachteile beider Verfahren sowie die Wahl von Metriken wie Distanz oder Verknüpfung berücksichtigen. In dieser Woche gibt es Lektüre, ein Quiz und ein Jupyter-Notebook-Labor/Peer Review.

Das ist alles enthalten

2 Videos2 Lektüren1 Quiz1 peer review1 Diskussionsthema1 Unbewertetes Labor

Diese Woche arbeiten wir mit Recommender Systems. Websites wie Netflix, Amazon und YouTube zeigen personalisierte Empfehlungen für Filme, Artikel oder Videos an. In dieser Woche untersuchen wir die Strategien von Empfehlungsmaschinen, um die Vorlieben der Benutzer vorherzusagen. Wir werden uns mit Popularität, inhaltsbasierten und kollaborativen Filteransätzen befassen und welche Ähnlichkeitsmetriken zu verwenden sind. Bei der Arbeit mit Empfehlungssystemen gibt es immer wieder Herausforderungen wie die zeitliche Komplexität von Operationen und spärliche Daten. Diese Woche ist relativ rechenintensiv. Sie werden ein Quiz haben, in dem Sie mit verschiedenen Berechnungen von Ähnlichkeitsmetriken arbeiten werden. Nehmen Sie sich Zeit für das Jupyter-Notebook-Labor in dieser Woche und überlegen Sie sich leistungsfähige Implementierungen. Der Abschnitt Peer Review ist diese Woche kurz.

Das ist alles enthalten

4 Videos1 Lektüre1 Quiz1 Programmieraufgabe1 peer review

Wir sind bereits bei der letzten Woche des Kursmaterials angelangt! Machen Sie sich bereit für eine weitere dichte Mathe-Woche. Letzte Woche haben wir etwas über Empfehlungssysteme gelernt. Wir haben die Neighborhood-Methode der kollaborativen Filterung unter Verwendung von Ähnlichkeitsmaßen verwendet. Latent Factor Models, einschließlich der beliebten Matrix Factorization (MF), können ebenfalls für Collaborative Filtering verwendet werden. Eine Veröffentlichung in Nature aus dem Jahr 1999 machte die nicht-negative Matrix-Faktorisierung extrem populär. MF hat viele Anwendungen, darunter Bildanalyse, Textmining/Themenmodellierung, Empfehlungssysteme, Audiosignaltrennung, analytische Chemie und Genexpressionsanalyse. In dieser Woche konzentrieren wir uns auf Singular Value Decomposition, Non-negative Matrix Factorization und Approximationsmethoden. In dieser Woche haben wir Lektüre, ein Quiz und ein Kaggle-Miniprojekt, bei dem die Matrixfaktorisierung zur Kategorisierung von Nachrichtenartikeln eingesetzt wird.

Das ist alles enthalten

5 Videos1 Lektüre1 Quiz1 peer review

Dozent

Geena Kim
University of Colorado Boulder
3 Kurse22.514 Lernende

von

Empfohlen, wenn Sie sich für Maschinelles Lernen interessieren

Auf einen Abschluss hinarbeiten

Dieses Kurs ist Teil des/der folgenden Studiengangs/Studiengänge, die von University of Colorado Boulderangeboten werden. Wenn Sie zugelassen werden und sich immatrikulieren, können Ihre abgeschlossenen Kurse auf Ihren Studienabschluss angerechnet werden und Ihre Fortschritte können mit Ihnen übertragen werden.¹

Warum entscheiden sich Menschen für Coursera für ihre Karriere?

Felipe M.
Lernender seit 2018
„Es ist eine großartige Erfahrung, in meinem eigenen Tempo zu lernen. Ich kann lernen, wenn ich Zeit und Nerven dazu habe.“
Jennifer J.
Lernender seit 2020
„Bei einem spannenden neuen Projekt konnte ich die neuen Kenntnisse und Kompetenzen aus den Kursen direkt bei der Arbeit anwenden.“
Larry W.
Lernender seit 2021
„Wenn mir Kurse zu Themen fehlen, die meine Universität nicht anbietet, ist Coursera mit die beste Alternative.“
Chaitanya A.
„Man lernt nicht nur, um bei der Arbeit besser zu werden. Es geht noch um viel mehr. Bei Coursera kann ich ohne Grenzen lernen.“
Platzhalter

Neue Karrieremöglichkeiten mit Coursera Plus

Unbegrenzter Zugang zu über 7.000 erstklassigen Kursen, praktischen Projekten und Zertifikatsprogrammen, die Sie auf den Beruf vorbereiten – alles in Ihrem Abonnement enthalten

Bringen Sie Ihre Karriere mit einem Online-Abschluss voran.

Erwerben Sie einen Abschluss von erstklassigen Universitäten – 100 % online

Schließen Sie sich mehr als 3.400 Unternehmen in aller Welt an, die sich für Coursera for Business entschieden haben.

Schulen Sie Ihre Mitarbeiter*innen, um sich in der digitalen Wirtschaft zu behaupten.

Häufig gestellte Fragen