Aprendizaje automático no supervisado: agrupamiento y reducción de dimensionalidad

Comprender cómo extraer una estructura significativa de datos sin procesar y sin etiquetar es una habilidad crítica en la ciencia de datos moderna, y la tecnología de predicción de datos de IBM es una de las mejores herramientas para hacerlo. Este curso proporciona una base conceptual clara en el aprendizaje no supervisado, enseñándote a aplicar algoritmos potentes para agrupar puntos de datos similares (agrupación) y simplificar conjuntos de datos complejos (reducción de dimensionalidad) Obtendrás la experiencia necesaria para preprocesar datos y validar modelos cuando se desconoce la verdad básica. Lo que aprenderás: * Comprender la distinción teórica entre los paradigmas de aprendizaje supervisado y no supervisado. * Aplicar técnicas de agrupamiento de núcleo, incluyendo K-medias y agrupación jerárquica, para segmentar los datos de características. * Dominar los métodos de reducción de dimensionalidad como el Análisis de Componentes Principales (PCA) para comprimir datos mientras se conserva la información esencial. * Practique la preparación de datos esenciales y el escalado de características requerido para un rendimiento óptimo del modelo no supervisado. * Aprenda métodos para evaluar el rendimiento y la estabilidad de modelos no supervisados sin depender de conjuntos de pruebas etiquetados. Comenzamos definiendo los objetivos principales del aprendizaje no supervisado antes de sumergirnos en las implementaciones prácticas de los principales algoritmos de agrupamiento y reducción.El curso concluye con explicaciones detalladas por escrito de la ingeniería de características efectiva y la evaluación rigurosa del modelo. Este curso está diseñado para principiantes interesados en el aprendizaje automático y la ciencia de datos.No se requiere experiencia previa con modelado estadístico avanzado, solo una disposición para leer y practicar conceptos escritos. Comience a leer hoy y descubra los secretos ocultos en los datos sin etiquetar.