Ce cours vous présente l'un des principaux types d'apprentissage automatique : L'apprentissage non supervisé. Vous apprendrez à tirer des enseignements d'ensembles de données qui n'ont pas de cible ou de variable étiquetée. Vous apprendrez plusieurs algorithmes de clustering et de réduction des dimensions pour l'apprentissage non supervisé, ainsi que la manière de sélectionner l'algorithme qui convient le mieux à vos données. A la fin de ce cours, vous devriez être capable de : Expliquer les types de problèmes adaptés aux approches d'apprentissage non supervisé Expliquer la malédiction de la dimensionnalité, et comment elle rend le clustering difficile avec de nombreuses caractéristiques Décrire et utiliser les algorithmes communs de clustering et de réduction de la dimensionnalité Essayer des points de clustering le cas échéant, comparer les performances des modèles par cluster Comprendre les métriques pertinentes pour caractériser les clusters Qui devrait suivre ce cours ?

Ce cours s'adresse aux scientifiques des données en herbe qui souhaitent acquérir une expérience pratique des techniques d'apprentissage automatique non supervisé dans un contexte professionnel. Quelles compétences devez-vous avoir ? Pour tirer le meilleur parti de ce cours, vous devez être familiarisé avec la programmation dans un environnement de développement Python, ainsi qu'avoir une compréhension fondamentale du nettoyage des données, de l'analyse exploratoire des données, du calcul, de l'algèbre linéaire, de la probabilité et de la statistique.