Fondamenti di clustering e misure di somiglianza di apprendimento automatico

Comprendere la matematica e gli algoritmi di base del clustering è essenziale per qualsiasi aspirante professionista dei dati o ingegnere del machine learning, ma non è sempre facile. Questo corso basato su testo ti guiderà dal principiante assoluto alla comprensione e valutazione sicura dei modelli di apprendimento non supervisionati.Impara come scegliere i giusti algoritmi di clustering e le metriche di distanza per scoprire strutture significative in set di dati complessi. Cosa imparerai: Comprendere i concetti fondamentali di similitudine, dissimilarità e metriche di distanza come la distanza euclidea e Manhattan; Implementare il clustering basato su partizioni utilizzando l'algoritmo K-Means e ottimizzare i conteggi dei cluster; Esplorare il cluster spaziale basato sulla densità (DBSCAN) per identificare il rumore e scoprire cluster di dati arbitrari Applicare il clustering gerarchico agglomerativo per costruire e interpretare le relazioni tra i dati; Valutare la qualità dei cluster utilizzando moderne tecniche di convalida come l'analisi della silhouette. Il corso inizia con la terminologia essenziale e le basi matematiche della distanza prima di passare a ripartizioni algoritmiche passo-passo e esercizi concettuali progettati per consolidare la comprensione dell'apprendimento non supervisionato. Progettato per i principianti nella scienza dei dati, questo corso richiede solo una familiarità di base con la programmazione e nessuna esperienza precedente con l'apprendimento automatico.