【Udemy中英字幕】Python Data Science: Unsupervised Machine Learning

Python 数据科学：无监督机器学习

学习 Python 进行数据科学和机器学习，并在顶级 Python 讲师的指导下构建无监督学习模型！

讲师：Maven Analytics

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

掌握 Python 中无监督机器学习的基础知识，包括聚类、异常检测、降维和推荐器
通过应用特征工程、选择和缩放来准备建模数据
拟合、调整和解释三种类型的聚类算法：K 均值聚类、层次聚类和 DBSCAN
使用孤立森林和 DBSCAN 等无监督学习技术进行异常检测
应用和解释两种降维模型：主成分分析 (PCA) 和 t-SNE
使用基于内容和协同过滤技术构建推荐引擎，包括余弦相似度和奇异值分解 (SVD)

要求

我们强烈建议您先参加我们的数据准备和 EDA 课程
Jupyter Notebooks（免费下载，我们将指导安装）
建议熟悉基础 Python 和 Pandas，但这不是必需的

描述

这是一门基于项目的实践课程，旨在帮助您掌握 Python 无监督机器学习的基础知识。

我们将首先回顾 Python 数据科学工作流程，讨论无监督学习的技术和应用，并逐步介绍建模所需的数据准备步骤。您将学习如何为建模设置正确的行粒度、应用特征工程技术、选择相关特征以及使用规范化和标准化来扩展数据。

从那里，我们将使用 scikit-learn 拟合、调整和解释3 种流行的聚类模型。我们将从 K-Means 聚类开始，学习解释输出的聚类中心，并使用惯性图来选择正确的聚类数量。接下来，我们将介绍层次聚类，我们将使用树状图来识别聚类并使用聚类图来解释它们。最后，我们将使用 DBSCAN 来检测聚类和噪声点，并使用它们的轮廓分数来评估模型。

我们还将使用 DBSCAN 和孤立森林进行异常检测，这是无监督学习模型识别异常值和异常模式的常见应用。您将学习调整和解释每个模型的结果，并使用配对图可视化异常。

接下来，我们将介绍降维的概念，讨论其对数据科学的好处，并探索数据科学工作流程中可以应用降维的阶段。然后，我们将介绍两种流行的技术：主成分分析（非常适合特征提取和数据可视化）和 t-SNE（非常适合数据可视化）。

最后但并非最不重要的一点是，我们将介绍推荐引擎，并且您将练习使用余弦相似度和奇异值分解等技术创建基于内容和协同过滤推荐器。

在整个课程中，您将扮演一家软件公司的人力资源分析团队的助理数据科学家，致力于提高员工保留率。利用您在课程中学到的技能，您将使用 Python 对员工进行细分、可视化集群并推荐提高保留率的后续步骤。

课程大纲：