یادگیری بدون نظارت نوعی یادگیری ماشینی است که در آن الگوریتم ها داده های بدون برچسب را تجزیه می کنند. هدف آن مرتب سازی داده در یک دسته بندی مشخص نیست بلکه کشف الگوهای پنهان است. یادگیری بدون نظارت نقش بزرگی در تقسیم بندی بازاریابی مدرن، شناسایی تقلب و تحلیل بازار دارد. در این دوره با  تکنیک های پیشرو در یادگیری ماشینی، تحلیل خوشه، شناسایی آنومالی، قوانین association برای بدست آوردن نتایج دقیق از کلان داده، رایج ترین الگوریتم های خوشه بندی مانند سلسله مراتبی، k-means، BIRCH، و نقشه های خود سازماندهی (SOM)، توابع تخصصی اضافی در IBM SPSS Modeler و غیره آشنا می شوید.

سرفصل:

  • معرفی دوره
  • فایل های تمرین
  • یادگیری بدون نظارت چیست؟
  • خوشه و ارزیابی مبتنی بر فاصله
  • متدهای ارزیابی فاصله
  • تحلیل خوشه سلسله مراتبی
  • تحلیل خوشه K-means
  • چه متغرهایی با  K-means استفاده می شوند؟
  • مصورسازی و گزارش راه حل های خوشه
  • روش های خوشه ای برای متغیرهای دسته ای
  • silhouette چیست؟
  • مفهوم خوشه در جدول
  • شناسایی آنومالی
  • قوانین association
  • اجرا، تفسیر و استفاده از قوانین association
  • مقایسه  قوانین association و خوشه بندی
  • شناسایی توالی
  • و غیره