Uczenie nienadzorowane

Wprowadzenie do uczenia maszynowego

Hadrien Lacroix

Content Developer at DataCamp

Uczenie nienadzorowane

Uczenie nienadzorowane

• Uczenie nienadzorowane = brak kolumny docelowej
  • Brak wskazówek
  • Analizuje cały zbiór danych
  • Wykrywa wzorce

Zastosowania

Klastrowanie

Przykład klastrowania

Klaster gatunków

Klaster kolorów

Klaster pochodzenia

Modele klastrowania

• K Means:
  • Określ liczbę klastrów
• DBSCAN (gęstościowe przestrzenne grupowanie aplikacji z szumem):
  • Określ co stanowi klaster

Tabela iris

K-Means z 4 klastrami

K-Means z 3 klastrami

Rzeczywiste dane

Wykrywanie anomalii

Wykrywanie wartości odstających

• Wykrywanie anomalii = wykrywanie wartości odstających
• Wartości odstające = obserwacje różniące się od pozostałych

Wartości odstające

Usuwanie wartości odstających

Przykłady zastosowań wykrywania anomalii

• Wykrywanie urządzeń psujących się szybciej lub działających dłużej
• Wykrywanie oszustów, którym udaje się obejść system
• Wykrywanie pacjentów opornych na śmiertelną chorobę
• ...

Asocjacja

Asocjacja

Czas na ćwiczenia!

Wprowadzenie do uczenia maszynowego