中
从未标明的数据中发现隐藏模式是机器学习中最有用的领域之一。在您的数据科学工具包中添加这项紧俏技能的基础知识。在本课程中，我们将学习用于降维、聚类和学习潜在特征的特定无监督学习方法。我们还将重点关注推荐系统等现实世界中的应用，并提供产品推荐算法的实践案例。 需要具备编码或脚本知识。我们将在整个课程中广泛使用 Python。需要具备大学水平的数学技能，包括微积分和线性代数。建议但不要求选修该专业的第一门课程：机器学习导论：监督学习。
机器学习中的无监督算法
了解顶级公司的员工如何掌握热门技能
积累特定领域的专业知识
本课程是 机器学习：理论与 Python 上机实践 专项课程 专项课程的一部分
在注册此课程时，您还会同时注册此专项课程。
- 向行业专家学习新概念
- 获得对主题或工具的基础理解
- 通过实践项目培养工作相关技能
- 获得可共享的职业证书
该课程共有4个模块
现在，您已经在监督学习方面打下了坚实的基础，我们将把注意力转移到从未标明的数据中发掘隐藏结构上来。我们将从介绍无监督学习开始。在这门课程中，模型不再有标签可供学习。它们需要从观测数据本身来理解数据。本周我们将深入学习主成分分析（PCA），这是一种基础性的降维技术。刚开始学习这个主题时，可能会觉得不太容易。毫无疑问，这部分内容涉及到一些数学知识。不过，PCA 可以从概念上掌握，也许比预想的更容易。在 "监督学习 "课程中，我们曾与 "维度诅咒 "作斗争。本周，我们将了解 PCA 如何减少维数并改进分类/回归任务。您将通过阅读、小测验和 Jupyter 笔记本实验/Peer Review 来实现 PCA 算法。
涵盖的内容
3个视频13篇阅读材料3个作业1次同伴评审2个讨论话题1个非评分实验室
本周，我们将学习聚类，这是最常用的无监督学习方法之一。上周，我们使用 PCA 找到了数据的低维表示。而聚类则是在观测数据中找到子群。我们可以获得对数据结构有意义的直观认识，或者使用 "聚类-然后预测 "这样的程序。聚类有多种应用，从营销客户细分和广告、识别相似电影/音乐，到基因组学研究和疾病亚型发现。我们将主要关注 K 均值聚类和分层聚类，并考虑两者的优缺点以及距离或联系等指标的选择。本周我们将进行阅读、小测验和 Jupyter 笔记本实验/同行评议。
涵盖的内容
2个视频2篇阅读材料1个作业1次同伴评审1个讨论话题1个非评分实验室
本周我们将学习 "推荐系统"。Netflix、亚马逊和 YouTube 等网站都会提供个性化的电影、商品或视频推荐。本周，我们将探讨推荐引擎预测用户喜好的策略。我们将考虑流行度、基于内容和协同过滤的方法，以及使用哪些相似度指标。在使用推荐系统的过程中，我们会遇到一些挑战，比如操作的时间复杂性和数据稀疏。本周的数学内容相对较多。您将在测验中学习不同的相似度量计算。请为本周的 Jupyter 笔记本实验留出时间，并考虑高效的实现方法。本周的同行评议部分很短。
涵盖的内容
4个视频1篇阅读材料1个作业1个编程作业1次同伴评审
我们已经是最后一周的教材了！准备好迎接又一个密集的数学周吧。上周，我们学习了推荐系统。我们使用了邻接法（Neighborhood Method of Collaborative Filtering），利用了相似性度量。潜因模型，包括流行的矩阵因式分解（MF），也可用于协同过滤。1999 年在《自然》杂志上发表的一篇文章让非负矩阵因式分解大受欢迎。矩阵因式分解有很多应用，包括图像分析、文本挖掘/主题建模、推荐系统、音频信号分离、分析化学和基因表达分析。本周，我们的重点是奇异值分解、非负矩阵因式分解和逼近方法。本周，我们将进行阅读、测验和利用矩阵因式分解对新闻文章进行分类的 Kaggle 小项目。
涵盖的内容
5个视频1篇阅读材料1个作业1次同伴评审
获得职业证书
将此证书添加到您的 LinkedIn 个人资料、简历或履历中。在社交媒体和绩效考核中分享。
攻读学位
课程 是 University of Colorado Boulder提供的以下学位课程的一部分。如果您被录取并注册，您已完成的课程可计入您的学位学习，您的学习进度也可随之转移。
位教师
从 机器学习 浏览更多内容
状态：免费试用
状态：免费试用University of Colorado Boulder
状态：免费试用University of Colorado Boulder
状态：免费试用
人们为什么选择 Coursera 来帮助自己实现职业发展
Felipe M.
自 2018开始学习的学生
''能够按照自己的速度和节奏学习课程是一次很棒的经历。只要符合自己的时间表和心情，我就可以学习。'
Jennifer J.
自 2020开始学习的学生
''我直接将从课程中学到的概念和技能应用到一个令人兴奋的新工作项目中。'
Larry W.
自 2021开始学习的学生
''如果我的大学不提供我需要的主题课程，Coursera 便是最好的去处之一。'
Chaitanya A.
''学习不仅仅是在工作中做的更好：它远不止于此。Coursera 让我无限制地学习。'
常见问题
在 Coursera 上，两个或两个以上的中大博尔德学位课程提供交叉列出的课程。例如，"动态编程、贪婪算法 "既是 CSCA 5414（MS-CS）课程，也是 DTSA 5503（MS-DS）课程。
- 交叉列出的课程不能获得一个以上版本的学分。
- 您可以通过查看课程的学生手册来确定交叉列出的课程。
- 您的成绩单将受到影响。在评估毕业要求时，交叉列出的课程被视为等同课程。但是，我们鼓励您选修本专业的交叉课程（如有），以确保您的中大成绩单反映出您直接在本系完成的大量课程。您从其他专业完成的任何课程都将以该专业的课程前缀（如 DTSA 与 CSCA）出现在您的中大成绩单上。
- 各专业对入学和毕业的最低成绩要求可能有所不同。例如，MS-DS 要求所有课程均达到 C 级或以上方可毕业（入学要求 GPA 达到 3.0），而 MS-CS 要求所有拓展课程均达到 B 级或以上，所有选修课程均达到 C 级或以上方可毕业（入学要求每门路径课程均达到 B 级或以上）。所有课程均要求学生在入学和毕业时保持 3.0 的累积 GPA。
是的。 在评估毕业要求时，交叉列出的课程被视为等同课程。您可以通过查看您所在专业的学生手册来确定交叉列出的课程。
您可以在任何开放注册期间升级并支付学费，以获得 << 本课程/本专业课程>> 的研究生级别的中大博尔德学分。由于 << 本课程/这些课程>> 在计算机科学硕士课程和数据科学硕士课程中交叉列出，因此您需要在升级之前确定您想从哪个课程中获得学分。
数据科学硕士（MS-DS）学分： 要升级到 << 本课程/这些课程>> 的数据科学（DTSA）学分版本，请使用 MS-DS 注册表。查看如何操作。
计算机科学硕士（MS-CS）学分： 要升级到<<此课程/这些课程>>的计入学分的计算机科学（CSCA）版本，请使用MS-CS注册表。查看如何操作。
如果您不确定哪个课程最适合您，请查看MS-CS和MS-DS课程网站，如果还有问题，请联系[email protected]或[email protected]。
更多问题
提供助学金，