Klasterowanie od podstaw z PyTorch

Uczenie nienadzorowane często wydaje się czarną skrzynką, ale budowanie algorytmów od podstaw demystyfikuje sposób znajdowania wzorców w danych. Ten kurs prowadzi przez teorię i praktyczną implementację algorytmu klastrowania Mean Shift, potężną technikę, która nie wymaga wstępnego zdefiniowania liczby klastrów. Przejdziesz od podstawowych pojęć matematycznych do wysoce zoptymalizowanego, zrównoleglonego kodu. Czytając ten kurs, zdobędziesz głębokie, podstawowe zrozumienie metryk odległości, oszacowania gęstości jądra i technik wektoryzacji za pomocą PyTorch. Czego się nauczysz: Zrozum podstawową teorię matematyczną stojącą za Mean Shifting i śledzeniem centroidów; Wdrażaj podstawowe mnożenie macierzy i obliczenia odleglosti za pomoca tensorów PyTorc; Zastosuj techniki nadawania, aby wyeliminować wolne pętle i przyspieszyć obliczenia; Optymalizuj wydajność klastrowanie za pomocę przyjaznych dla GPU operacji wektoryzowanych; Porównaj Mean shift z innymi algorytmetami klastrującymi, aby wiedzieć, kiedy go używać.