دوره آموزشی یادگیری ماشین با پایتون: k-Means Clustering

50 دقیقهمتوسط2022-05-23

مدرسین

Frederick Nwanganga

Information Technology Professional and Teacher

جزئیات دوره

خوشه بندی - یک رویکرد یادگیری ماشین بدون نظارت که برای گروه بندی داده ها بر اساس شباهت استفاده می شود - برای کار در تجزیه و تحلیل شبکه، تقسیم بندی بازار، گروه بندی نتایج جستجو، تصویربرداری پزشکی و تشخیص ناهنجاری استفاده می شود. خوشه‌بندی K-means یکی از محبوب‌ترین و آسان‌ترین الگوریتم‌های خوشه‌بندی است. در این دوره آموزشی، Fred Nwanganga به شما نگاهی مقدماتی به خوشه‌بندی k-means می‌دهد - نحوه عملکرد آن، چه چیزی خوب است، چه زمانی باید از آن استفاده کنید، چگونه تعداد مناسبی از خوشه‌ها را انتخاب کنید، نقاط قوت و ضعف آن، و موارد دیگر. Fred راهنمایی عملی در مورد نحوه جمع‌آوری، کاوش و تبدیل داده‌ها در آماده‌سازی برای بخش‌بندی داده‌ها با استفاده از خوشه‌بندی k-means ارائه می‌کند و راهنمای گام به گام نحوه ساخت چنین مدلی در پایتون را ارائه می‌دهد.

مهارت ها

Machine LearningPythonArtificial Intelligence (AI)Programming LanguagesOpen SourceSoftware DevelopmentDeep Dive (X:Y)

سرفصل ها

0. مقدمه

01 - شروع کار با پایتون و k-mean خوشه بندی است
02 - آنچه باید بدانید
03 - ابزار مورد نیاز شما
04 - استفاده از فایل های تمرین

1. درک K-Means Clustering

05 - خوشه بندی چیست
06 - k-به معنی خوشه بندی چیست
07 - انتخاب تعداد مناسب خوشه
08 - چرا و زمان استفاده از k-به معنی خوشه بندی است

2. بخش بندی داده ها با K-Means Clustering

09 - نحوه بخش بندی داده ها با خوشه بندی k-means در پایتون
10 - نحوه ارزیابی و تجسم خوشه ها در پایتون
11 - نحوه یافتن تعداد مناسب خوشه در پایتون
12 - نحوه تفسیر نتایج خوشه بندی k-means در پایتون

نتیجه

13 - مراحل بعدی