دوره
یاد بگیرید چطور خوشه‌بندی، تبدیل، مصورسازی و استخراج اطلاعات از دیتاست‌های بدون برچسب رو با استفاده از Scikit-learn و SciPy انجام بدید.
فرض کنید مجموعه‌ای از مشتریان با ویژگی‌های مختلفی مثل سن، مکان و تاریخچه مالی دارید و می‌خواید الگوهایی رو کشف کنید و اون‌ها رو در خوشه‌هایی مرتب کنید. یا شاید مجموعه‌ای از متن‌ها مثل صفحات ویکی‌پدیا دارید و می‌خواید بر اساس محتواشون اون‌ها رو دسته‌بندی کنید. این دنیای یادگیری بدون‌نظارته؛ به این دلیل بهش این اسم رو می‌گن که شما کشف الگو رو با یک کار پیش‌بینی هدایت یا نظارت نمی‌کنید، بلکه ساختار پنهان رو از داده‌های بدون برچسب کشف می‌کنید. یادگیری بدون‌نظارت شامل تکنیک‌های مختلفی در یادگیری ماشین می‌شه، از خوشه‌بندی گرفته تا کاهش ابعاد و تجزیه ماتریس. در این دوره، اصول اولیه یادگیری بدون‌نظارت رو یاد می‌گیرید و الگوریتم‌های ضروری رو با استفاده از Scikit-learn و SciPy پیاده‌سازی می‌کنید. یاد می‌گیرید چطور خوشه‌بندی، تبدیل، مصورسازی و استخراج اطلاعات از دیتاست‌های بدون برچسب رو انجام بدید و در نهایت دوره رو با ساخت یک سیستم توصیه‌گر برای پیشنهاد هنرمندان محبوب موسیقی تموم می‌کنید.
بُعد ذاتی داده‌ها رو با تفسیر نسبت واریانس توضیح‌داده‌شده در PCA ارزیابی کنید و مقدار مناسب n_components رو برای فشرده‌سازی انتخاب کنید.
تفاوت بین k-means، خوشه‌بندی سلسله‌مراتبی تجمعی و t-SNE رو بر اساس الگوریتم، نیازمندی‌های ورودی و خروجی‌های مصورسازی اون‌ها تشخیص بدید.
کیفیت خوشه‌ها رو با استفاده از نمودارهای اینرسی، فاصله‌های پیوند در دندروگرام و جدول‌های متقاطع با دسته‌های شناخته‌شده ارزیابی کنید.
ابزارهای مناسب پیش‌پردازش، خوشه‌بندی و کاهش بُعد در Scikit-learn رو برای وظایف مختلف یادگیری بدون نظارت تشخیص بدید.
ویژگی‌های پنهان مهم تولیدشده توسط NMF رو تشخیص بدید و با استفاده از شباهت کسینوسی، اسناد یا تصاویر دارای موضوع‌ها و الگوهای مشابه رو پیشنهاد کنید.
یاد بگیرید چطور گروه‌های پنهان یا «خوشه‌ها» رو در یک دیتاست پیدا کنید. تا پایان این بخش، شرکت‌ها رو بر اساس قیمت سهام‌شون خوشه‌بندی می‌کنید و با خوشه‌بندی اندازه‌گیری‌های گونه‌های مختلف، اون‌ها رو از هم تشخیص می‌دید.
در این بخش، با دو تکنیک یادگیری بدون نظارت برای مصورسازی داده آشنا می‌شید: خوشه‌بندی سلسله‌مراتبی و t-SNE. خوشه‌بندی سلسله‌مراتبی، نمونه‌های داده رو به‌تدریج در خوشه‌های بزرگ‌تر ادغام می‌کنه و در نهایت، سلسله‌مراتب خوشه‌ها رو به‌شکل یک نمودار درختی نمایش می‌ده. t-SNE هم نمونه‌های داده رو به یک فضای دوبعدی منتقل می‌کنه تا بتونید میزان نزدیکی نمونه‌ها به هم رو به‌صورت بصری بررسی کنید.
کاهش ابعاد، یک دیتاست رو بر اساس الگوهای مشترک و پرتکرار اون خلاصه می‌کنه. در این بخش، با یکی از مهم‌ترین تکنیک‌های کاهش ابعاد یعنی تحلیل مؤلفه‌های اصلی (PCA) آشنا می‌شید. PCA معمولا قبل از یادگیری نظارت‌شده استفاده می‌شه تا عملکرد مدل و توانایی تعمیم اون رو بهتر کنه. این روش در یادگیری بدون نظارت هم کاربرد داره. برای مثال، از یکی از انواع PCA استفاده می‌کنید تا مقاله‌های ویکی‌پدیا رو بر اساس محتوای اون‌ها خوشه‌بندی کنید!
در این بخش، با یک تکنیک کاهش ابعاد به اسم فاکتورگیری ماتریس نامنفی (NMF) آشنا می‌شید که نمونه‌ها رو به‌صورت ترکیبی از بخش‌های قابل‌تفسیر نمایش می‌ده. مثلا اسناد رو به ترکیبی از موضوعات و تصاویر رو به ترکیبی از الگوهای بصری پرتکرار تبدیل می‌کنه. همچنین یاد می‌گیرید چطور از NMF برای ساخت سیستم‌های پیشنهاددهنده استفاده کنید؛ سیستم‌هایی که می‌تونن مقاله‌های مشابه برای مطالعه یا هنرمندانی متناسب با سابقه شنیداری‌تون پیشنهاد بدن.
با تکمیل این دوره، شما یک گواهی معتبر دریافت می‌کنید که بیانگر کسب مهارت‌های لازم مرتبط با این دوره آموزشی است.
هر مدرک دارای شناسه یکتا و لینک اعتبارسنجی است که امکان بررسی و تأیید اصالت آن را فراهم می‌کند.
می‌توانید گواهی‌های خود را به‌راحتی در شبکه‌های حرفه‌ای مانند لینکدین با دیگران به اشتراک بگذارید.
فرض کنید مجموعه‌ای از مشتریان با ویژگی‌های مختلفی مثل سن، مکان و تاریخچه مالی دارید و می‌خواید الگوهایی رو کشف کنید و اون‌ها رو در خوشه‌هایی مرتب کنید. یا شاید مجموعه‌ای از متن‌ها مثل صفحات ویکی‌پدیا دارید و می‌خواید بر اساس محتواشون اون‌ها رو دسته‌بندی کنید. این دنیای یادگیری بدون‌نظارته؛ به این دلیل بهش این اسم رو می‌گن که شما کشف الگو رو با یک کار پیش‌بینی هدایت یا نظارت نمی‌کنید، بلکه ساختار پنهان رو از داده‌های بدون برچسب کشف می‌کنید. یادگیری بدون‌نظارت شامل تکنیک‌های مختلفی در یادگیری ماشین می‌شه، از خوشه‌بندی گرفته تا کاهش ابعاد و تجزیه ماتریس. در این دوره، اصول اولیه یادگیری بدون‌نظارت رو یاد می‌گیرید و الگوریتم‌های ضروری رو با استفاده از Scikit-learn و SciPy پیاده‌سازی می‌کنید. یاد می‌گیرید چطور خوشه‌بندی، تبدیل، مصورسازی و استخراج اطلاعات از دیتاست‌های بدون برچسب رو انجام بدید و در نهایت دوره رو با ساخت یک سیستم توصیه‌گر برای پیشنهاد هنرمندان محبوب موسیقی تموم می‌کنید.
بُعد ذاتی داده‌ها رو با تفسیر نسبت واریانس توضیح‌داده‌شده در PCA ارزیابی کنید و مقدار مناسب n_components رو برای فشرده‌سازی انتخاب کنید.
تفاوت بین k-means، خوشه‌بندی سلسله‌مراتبی تجمعی و t-SNE رو بر اساس الگوریتم، نیازمندی‌های ورودی و خروجی‌های مصورسازی اون‌ها تشخیص بدید.
کیفیت خوشه‌ها رو با استفاده از نمودارهای اینرسی، فاصله‌های پیوند در دندروگرام و جدول‌های متقاطع با دسته‌های شناخته‌شده ارزیابی کنید.
ابزارهای مناسب پیش‌پردازش، خوشه‌بندی و کاهش بُعد در Scikit-learn رو برای وظایف مختلف یادگیری بدون نظارت تشخیص بدید.
ویژگی‌های پنهان مهم تولیدشده توسط NMF رو تشخیص بدید و با استفاده از شباهت کسینوسی، اسناد یا تصاویر دارای موضوع‌ها و الگوهای مشابه رو پیشنهاد کنید.
یاد بگیرید چطور گروه‌های پنهان یا «خوشه‌ها» رو در یک دیتاست پیدا کنید. تا پایان این بخش، شرکت‌ها رو بر اساس قیمت سهام‌شون خوشه‌بندی می‌کنید و با خوشه‌بندی اندازه‌گیری‌های گونه‌های مختلف، اون‌ها رو از هم تشخیص می‌دید.
در این بخش، با دو تکنیک یادگیری بدون نظارت برای مصورسازی داده آشنا می‌شید: خوشه‌بندی سلسله‌مراتبی و t-SNE. خوشه‌بندی سلسله‌مراتبی، نمونه‌های داده رو به‌تدریج در خوشه‌های بزرگ‌تر ادغام می‌کنه و در نهایت، سلسله‌مراتب خوشه‌ها رو به‌شکل یک نمودار درختی نمایش می‌ده. t-SNE هم نمونه‌های داده رو به یک فضای دوبعدی منتقل می‌کنه تا بتونید میزان نزدیکی نمونه‌ها به هم رو به‌صورت بصری بررسی کنید.
کاهش ابعاد، یک دیتاست رو بر اساس الگوهای مشترک و پرتکرار اون خلاصه می‌کنه. در این بخش، با یکی از مهم‌ترین تکنیک‌های کاهش ابعاد یعنی تحلیل مؤلفه‌های اصلی (PCA) آشنا می‌شید. PCA معمولا قبل از یادگیری نظارت‌شده استفاده می‌شه تا عملکرد مدل و توانایی تعمیم اون رو بهتر کنه. این روش در یادگیری بدون نظارت هم کاربرد داره. برای مثال، از یکی از انواع PCA استفاده می‌کنید تا مقاله‌های ویکی‌پدیا رو بر اساس محتوای اون‌ها خوشه‌بندی کنید!
در این بخش، با یک تکنیک کاهش ابعاد به اسم فاکتورگیری ماتریس نامنفی (NMF) آشنا می‌شید که نمونه‌ها رو به‌صورت ترکیبی از بخش‌های قابل‌تفسیر نمایش می‌ده. مثلا اسناد رو به ترکیبی از موضوعات و تصاویر رو به ترکیبی از الگوهای بصری پرتکرار تبدیل می‌کنه. همچنین یاد می‌گیرید چطور از NMF برای ساخت سیستم‌های پیشنهاددهنده استفاده کنید؛ سیستم‌هایی که می‌تونن مقاله‌های مشابه برای مطالعه یا هنرمندانی متناسب با سابقه شنیداری‌تون پیشنهاد بدن.
با تکمیل این دوره، شما یک گواهی معتبر دریافت می‌کنید که بیانگر کسب مهارت‌های لازم مرتبط با این دوره آموزشی است.
هر مدرک دارای شناسه یکتا و لینک اعتبارسنجی است که امکان بررسی و تأیید اصالت آن را فراهم می‌کند.
می‌توانید گواهی‌های خود را به‌راحتی در شبکه‌های حرفه‌ای مانند لینکدین با دیگران به اشتراک بگذارید.
با اپلیکیشن فینکا، به بیشتر دوره‌ها و مسیرها روی موبایل دسترسی دارید، تمرین می‌کنید و یادگیری رو هم‌زمان روی موبایل و دسکتاپ ادامه می‌دید.