【Udemy中英字幕】Master Simplified Unsupervised Machine Learning End to End ™

掌握简化的无监督机器学习端到端™

现实项目解锁隐藏的模式和见解

讲师：Dr. Noble Arya

双语IT资源独家Udemy付费课程，独家中英文字幕，配套资料齐全！

用不到1/10的价格，即可享受同样的高品质课程，且可以完全拥有，随时随地都可以任意观看和分享。

您将学到什么

• 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。

探索相关主题

• 无监督机器学习
• 其他 IT 和软件
• 信息技术与软件

要求

• 任何人都可以轻松学习这门课程

描述

精通简化无监督机器学习™ 是一项综合性课程，旨在深入探究数据科学和机器学习中无监督学习的技术、算法和应用。本课程揭开无监督学习的复杂性，涵盖从基础概念到高级聚类方法、降维和关联规则挖掘的所有内容。学习者将获得在没有标记数据的情况下检测模式、分割数据和发现隐藏结构的动手技能，为他们提供强大的工具，用于跨不同行业的实际应用。

课程概述

• 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

通过掌握简化无监督机器学习™，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。

讲师

我们的讲师是业界领先的 AI/ML 专家，在教学、研究和实际应用方面拥有多年经验。他们带来实用见解、动手技能和行业最佳实践，让学习变得有趣且实用。

本课程适合哪些人：

• 任何想要学习未来技能并成为数据科学家、高级数据科学家、人工智能科学家、人工智能工程师、人工智能研究员和人工智能专家的人。