L'un des domaines les plus utiles de l'apprentissage automatique est la découverte de modèles cachés à partir de données non étiquetées. Ajoutez les bases de cette compétence très demandée à votre boîte à outils de science des données. Dans ce cours, nous apprendrons des méthodes d'apprentissage non supervisé sélectionnées pour la réduction de la dimensionnalité, le clustering et l'apprentissage de caractéristiques latentes. Nous nous concentrerons également sur des applications réelles telles que les systèmes de recommandation avec des exemples pratiques d'algorithmes de recommandation de produits. Une connaissance préalable du codage ou des scripts est nécessaire. Nous utiliserons largement Python tout au long du cours. Des compétences en mathématiques de niveau universitaire, y compris en calcul et en algèbre linéaire, sont nécessaires. Il est recommandé, mais pas obligatoire, de suivre le premier cours de la spécialisation, Introduction à l'apprentissage automatique : Apprentissage supervisé.
Durée limitée ! Obtenez Coursera Plus avec 30 % de réduction.
Réinitialiser. Réinventer. Atteindre de nouveaux objectifs professionnels. Profitez de votre offre maintenant.
Algorithmes non supervisés dans l'apprentissage automatique
Ce cours fait partie de Spécialisation Apprentissage automatique : Théorie et pratique avec Python
Enseigné en Anglais
Certains éléments de contenu peuvent ne pas être traduits
Instructeur : Geena Kim
3 792 déjà inscrits
Inclus avec 
Cours
(11 avis)
Expérience recommandée
Ce que vous apprendrez
Expliquez ce qu'est l'apprentissage non supervisé et énumérez les méthodes utilisées dans ce domaine.
Listez et expliquez les algorithmes des différentes méthodes de factorisation matricielle, ainsi que l'utilisation de chacune d'entre elles.
Listez et expliquez les algorithmes des différentes méthodes de factorisation matricielle, ainsi que l'utilisation de chacune d'entre elles.
Compétences que vous acquerrez
- Catégorie : Analyse de cluster
- Catégorie : Réduction de dimensionnalité
- Catégorie : Apprentissage non supervisé
- Catégorie : Systèmes de recommandation
- Catégorie : Factorisation des matrices
Détails à connaître
Ajouter à votre profil LinkedIn
4 quizzes
Cours
(11 avis)
Expérience recommandée
Découvrez comment les employés des entreprises prestigieuses maîtrisent des compétences recherchées
Élaborez votre expertise du sujet
- Apprenez de nouveaux concepts auprès d'experts du secteur
- Acquérez une compréhension de base d'un sujet ou d'un outil
- Développez des compétences professionnelles avec des projets pratiques
- Obtenez un certificat professionnel partageable
Obtenez un certificat professionnel
Ajoutez cette qualification à votre profil LinkedIn ou à votre CV
Partagez-le sur les réseaux sociaux et dans votre évaluation de performance
Il y a 2 modules dans ce cours
Maintenant que vous disposez d'une base solide en matière d'apprentissage supervisé, nous allons nous intéresser à la découverte de la structure cachée des données non étiquetées. Nous commencerons par une introduction à l'apprentissage non supervisé. Dans ce cours, les modèles n'ont plus d'étiquettes pour apprendre. Ils doivent donner un sens aux données à partir des observations elles-mêmes. Cette semaine, nous nous pencherons sur l'analyse en composantes principales (ACP), une technique fondamentale de réduction des dimensions. Lorsque vous commencez à vous familiariser avec ce sujet, cela peut sembler difficile. Cette section comporte sans aucun doute une part de mathématiques. Cependant, l'ACP peut être appréhendée de manière conceptuelle, peut-être plus facilement que prévu. Dans le cours sur l'apprentissage supervisé, nous avons lutté contre la malédiction de la dimensionnalité. Cette semaine, nous verrons comment l'ACP peut réduire le nombre de dimensions et améliorer les tâches de classification/régression. Vous aurez des lectures, un quiz, et un labo Jupyter Notebook/Peer Review pour implémenter l'algorithme PCA.
Inclus
3 vidéos10 lectures3 quizzes1 évaluation par les pairs2 sujets de discussion1 laboratoire non noté
Cette semaine, nous travaillons sur le clustering, l'une des méthodes d'apprentissage non supervisé les plus populaires. La semaine dernière, nous avons utilisé l'ACP pour trouver une représentation à faible dimension des données. Le clustering, quant à lui, permet de trouver des sous-groupes parmi les observations. Nous pouvons obtenir une intuition significative de la structure des données ou utiliser une procédure telle que Cluster-then-predict. Le regroupement a plusieurs applications, allant de la segmentation de la clientèle et de la publicité, à l'identification de films/musiques similaires, en passant par la recherche génomique et la découverte de sous-types de maladies. Nous nous concentrerons principalement sur le regroupement par K-moyennes et le regroupement hiérarchique, en tenant compte des avantages et des inconvénients des deux méthodes et du choix de mesures telles que la distance ou le lien. Cette semaine, nous avons des lectures, un quiz, et un laboratoire Jupyter Notebook/Peer Review.
Inclus
2 vidéos2 lectures1 quiz1 évaluation par les pairs1 sujet de discussion1 laboratoire non noté
Instructeur
Offert par
Recommandé si vous êtes intéressé(e) par Apprentissage automatique
University of Colorado Boulder
University of Colorado Boulder
University of Colorado Boulder
Prenez une longueur d'avance pour votre diplôme
Ce cours fait partie des programmes diplômants suivants proposés par University of Colorado Boulder. Si vous êtes accepté(e) et si vous vous inscrivez, votre travail en cours pourra être pris en compte pour l’obtention de votre diplôme et vos progrès pourront être transférés.
Pour quelles raisons les étudiants sur Coursera nous choisissent-ils pour leur carrière ?
Ouvrez de nouvelles portes avec Coursera Plus
Accès illimité à plus de 7 000 cours de renommée internationale, à des projets pratiques et à des programmes de certificats reconnus sur le marché du travail, tous inclus dans votre abonnement
Faites progresser votre carrière avec un diplôme en ligne
Obtenez un diplôme auprès d’universités de renommée mondiale - 100 % en ligne
Rejoignez plus de 3 400 entreprises mondiales qui ont choisi Coursera pour les affaires
Améliorez les compétences de vos employés pour exceller dans l’économie numérique
Foire Aux Questions
Un cours cross-listed est proposé dans le cadre de deux ou plusieurs programmes diplômants de CU Boulder sur Coursera. Par exemple, Dynamic Programming, Greedy Algorithms est proposé en tant que CSCA 5414 pour le MS-CS et DTSA 5503 pour le MS-DS.
- Vous ne pouvez pas obtenir de crédits pour plus d'une version d'un cours figurant sur une liste croisée.
- Vous pouvez identifier les cours à liste croisée en consultant le manuel de l'étudiant de votre programme.
- Votre relevé de notes en sera affecté. Les cours figurant sur des listes croisées sont considérés comme équivalents lors de l'évaluation des conditions d'obtention du diplôme. Toutefois, nous vous encourageons à suivre les versions de votre programme de ces cours (lorsqu'ils sont disponibles) afin de vous assurer que votre relevé de notes reflète le nombre important de cours que vous suivez directement dans votre département d'origine. Tous les cours que vous suivez dans le cadre d'un autre programme apparaîtront sur votre relevé de notes avec le préfixe de ce programme (par exemple, DTSA ou CSCA).
- Les programmes peuvent avoir des exigences différentes en matière de notes minimales pour l'admission et l'obtention du diplôme. Par exemple, le MS-DS exige un C ou mieux dans tous les cours pour l'obtention du diplôme (et une MPC de 3,0 pour l'admission), tandis que le MS-CS exige un B ou mieux dans tous les cours d'approfondissement et un C ou mieux dans tous les cours à option pour l'obtention du diplôme (et un B ou mieux dans chaque cours de la voie d'accès pour l'admission). Tous les programmes exigent que les étudiants maintiennent une moyenne pondérée cumulative de 3,0 pour l'admission et l'obtention du diplôme.
Oui. Les cours figurant sur des listes croisées sont considérés comme équivalents lors de l'évaluation des conditions d'obtention du diplôme. Vous pouvez identifier les cours croisés en consultant le manuel de l'étudiant de votre programme.
Vous pouvez mettre à niveau et payer des frais de scolarité pendant toute période d'inscription ouverte pour obtenir des crédits de CU Boulder de niveau supérieur pour << ce cours / ces cours dans cette spécialisation>>. Étant donné que << ce cours est / ces cours sont >> répertoriés à la fois dans les programmes MS in Computer Science et MS in Data Science, vous devrez déterminer quel programme vous souhaitez obtenir le crédit avant de vous mettre à niveau.
Crédit MS in Data Science (MS-DS) : Pour passer à la version de << ce cours / ces cours >> donnant droit à des crédits en science des données (DTSA), utilisez le formulaire d'inscription au MS-DS. Voir comment cela fonctionne.
MS in Computer Science (MS-CS) Credit : Pour passer à la version à crédits en informatique (CSCA) de << ce cours / ces cours >>, utilisez le formulaire d'inscription MS-CS. Voir comment cela fonctionne.
Si vous n'êtes pas sûr du programme qui vous convient le mieux, consultez les sites web des programmes MS-CS et MS-DS, puis contactez datascience@colorado.edu ou mscscoursera-info@colorado.edu si vous avez encore des questions.