掌握简化无监督机器学习端到端™
现实项目解锁隐藏的模式和见解
学习内容：
• 了解无监督学习的核心原理和技术。
• 掌握异常检测方法，识别数据集中的异常值。
• 深入理解和应用无监督学习中的K-Means聚类。
• 迭代和优化K-Means聚类算法以获得更好的结果。
• K-Means聚类算法在现实场景中的实际应用。
• 掌握层次聚类并了解其在无监督学习中的优势。
• 使用树状图可视化层次聚类以便更好地解释。
• 应用层次聚类解决复杂的聚类问题。
• 学习DBSCAN算法及其在基于密度的聚类中的有效性。
• 探索DBSCAN处理复杂聚类模式的优势。
• 介绍用于降维的主成分分析（PCA）。
• 选择PCA中的最优成分以有效降低维数。
• 将主成分分析（PCA）应用于真实世界数据以降低维数。
• 了解无监督学习任务的线性判别分析（LDA）。
• 从降维和分类方面比较PCA和LDA。
• 应用线性判别分析（LDA）来优化无监督学习中的分类。
• 掌握t-SNE以实现高级降维和高维数据的可视化。
• 了解t-SNE的工作原理并有效地将其用于数据可视化。
• t-SNE在降低维度和可视化复杂数据集中的实际应用。
• 探索聚类算法的各种无监督学习模型评估指标。
• 理解并应用降维评估指标进行模型评估。
• 无监督学习模型中超参数调整的学习技术。
• 使用贝叶斯优化来提高无监督学习模型的性能。
• 关联规则挖掘简介，用于市场篮子分析及其他领域。
• 了解关联规则挖掘中的信心和支持，以获得可操作的见解。
• 学习Apriori算法，实现有效的关联规则挖掘和市场篮子分析。
• 逐步应用Apriori算法来发现数据中有价值的模式。
课程内容主题：
• 无监督学习与异常检测简介
• K均值聚类与迭代优化
• 高级聚类 – 层次聚类和树状图
• DBSCAN – 基于密度的聚类及其应用
• 主成分分析（PCA）
– 特征提取
• 线性判别分析（LDA）
– 降维解释
• t-SNE用于数据可视化和降维
• 无监督学习中的模型评估和超参数调整
• 关联规则挖掘 – 市场篮子分析、信心和支持
• Apriori算法 – 逐步解释和实际应用
课程要求：
• 任何人都可以轻松学习这门课程
课程详细描述：
• 课程形式：由教师指导的自定进度课程
• 目标受众：数据科学家、机器学习爱好者以及寻求深入了解无监督学习技术的专业人士
• 主要学习目标：
– 了解无监督学习的核心原理及其应用
– 掌握聚类、异常检测和降维算法
– 获得PCA、LDA、t-SNE和DBSCAN等先进方法的实践经验
– 应用关联规则挖掘和Apriori算法获取可操作的数据洞察
• 课程亮点：
– 异常检测：检测大型数据集内的异常值和不规则模式
– K均值和层次聚类：有效分割数据的技术
– 基于密度的聚类的DBSCAN：适用于嘈杂和高密度数据集
– 使用PCA和LDA进行降维：降低复杂性，同时保留基本数据特征
– t-SNE可视化：将复杂数据转换为直观的2D/3D可视化
– 使用Apriori算法进行关联规则挖掘：发现隐藏的关联和模式
• 课程大纲：
– 无监督学习和异常检测简介
– K均值聚类与迭代优化
– 高级聚类 – 层次聚类和树状图
– DBSCAN – 基于密度的聚类及其应用
– 主成分分析（PCA）
– 特征提取
– 线性判别分析（LDA）
– 降维解释
– t-SNE用于数据可视化和降维
– 无监督学习中的模型评估和超参数调整
– 关联规则挖掘 – 市场篮子分析、信心和支持
– Apriori算法 – 逐步解释和实际应用
• 通过本课程，学习者将能够充分应用无监督技术来发现见解、推动决策并释放数据的全部潜力。
