4.7
Sterne
137 Bewertungen

Mark J Grover +1 weiterer Dozent

9.329 bereits angemeldet

von

IBM Skills Network

Über diesen Kurs

36.010 kürzliche Aufrufe

This course introduces you to one of the main types of Machine Learning: Unsupervised Learning. You will learn how to find insights from data sets that do not have a target or labeled variable. You will learn several clustering and dimension reduction algorithms for unsupervised learning as well as how to select the algorithm that best suits your data. The hands-on section of this course focuses on using best practices for unsupervised learning.
By the end of this course you should be able to:
Explain the kinds of problems suitable for Unsupervised Learning approaches
Explain the curse of dimensionality, and how it makes clustering difficult with many features
Describe and use common clustering and dimensionality-reduction algorithms
Try clustering points where appropriate, compare the performance of per-cluster models
Understand metrics relevant for characterizing clusters

Who should take this course?
This course targets aspiring data scientists interested in acquiring hands-on experience with Unsupervised Machine Learning techniques in a business setting.
 
What skills should you have?
To make the most out of this course, you should have familiarity with programming on a Python development environment, as well as fundamental understanding of Data Cleaning, Exploratory Data Analysis, Calculus, Linear Algebra, Probability, and Statistics.

Flexible Fristen

Setzen Sie Fristen gemäß Ihrem Zeitplan zurück.

Zertifikat zur Vorlage

Erhalten Sie nach Abschluss ein Zertifikat

100 % online

Beginnen Sie sofort und lernen Sie in Ihrem eigenen Tempo.

Stufe „Mittel“

Ca. 13 Stunden zum Abschließen

Englisch

Untertitel: Englisch

Kompetenzen, die Sie erwerben

Dimensionality Reduction
Unsupervised Learning
Cluster Analysis
K Means Clustering
Principal Component Analysis (PCA)

Flexible Fristen

Setzen Sie Fristen gemäß Ihrem Zeitplan zurück.

Zertifikat zur Vorlage

Erhalten Sie nach Abschluss ein Zertifikat

100 % online

Beginnen Sie sofort und lernen Sie in Ihrem eigenen Tempo.

Stufe „Mittel“

Ca. 13 Stunden zum Abschließen

Englisch

Untertitel: Englisch

Dozenten

Dozentenbewertung

4,74/5 (47 Bewertungen)

Mark J Grover

Digital Content Delivery Lead

IBM Data & AI Learning

38.266 Lernende

13 Kurse

Miguel Maldonado

Machine Learning Curriculum Developer

Data and AI Learning

24.651 Lernende

5 Kurse

von

IBM Skills Network

IBM is the global leader in business transformation through an open hybrid cloud platform and AI, serving clients in more than 170 countries around the world. Today 47 of the Fortune 50 Companies rely on the IBM Cloud to run their business, and IBM Watson enterprise AI is hard at work in more than 30,000 engagements. IBM is also one of the world’s most vital corporate research organizations, with 28 consecutive years of patent leadership. Above all, guided by principles for trust and transparency and support for a more inclusive society, IBM is committed to being a responsible technology innovator and a force for good in the world.

Lehrplan - Was Sie in diesem Kurs lernen werden

Woche

Woche 1

3 Stunden zum Abschließen

Introduction to Unsupervised Learning and K Means

This module introduces Unsupervised Learning and its applications. One of the most common uses of Unsupervised Learning is clustering observations using k-means. In this module you become familiar with the theory behind this algorithm, and put it in practice in a demonstration.

3 Stunden zum Abschließen

11 Videos (Gesamt 62 min), 1 Lektüre, 4 Quiz

11 Videos

Course Introduction1m

Introduction to Unsupervised Learning - Part 18m

Introduction to Unsupervised Learning - Part 24m

Introduction to Clustering1m

K-Means - Part 13m

K-Means - Part 23m

K-Means - Part 34m

K-Means - Part 44m

K Means Notebook - Part 19m

K Means Notebook - Part 26m

K Means Notebook - Part 313m

1 Lektüre

Summary10m

3 praktische Übungen

Introduction to Unsupervised Learning10m

K Means Clustering10m

End of Module20m

Woche

Woche 2

5 Stunden zum Abschließen

Selecting a clustering algorithm

In this module you become familiar with some of the computational hurdles around clustering algorithms, and how different clustering implementations try to overcome them. After a brief recapitulation of common clustering algorithms, you will learn how to compare them and select the clustering technique that best suits your data.

5 Stunden zum Abschließen

16 Videos (Gesamt 143 min), 1 Lektüre, 6 Quiz

16 Videos

Distance Metrics - Part 13m

Distance Metrics - Part 26m

Curse of Dimensionality Notebook - Part 111m

Curse of Dimensionality Notebook - Part 212m

Curse of Dimensionality Notebook - Part 312m

Curse of Dimensionality Notebook - Part 410m

Hierarchical Agglomerative Clustering - Part 13m

Hierarchical Agglomerative Clustering - Part 29m

DBSCAN - Part 15m

DBSCAN - Part 28m

Mean Shift9m

Comparing Algorithms11m

Clustering Notebook - Part 114m

Clustering Notebook - Part 26m

Clustering Notebook - Part 37m

Clustering Notebook - Part 411m

1 Lektüre

Summary10m

4 praktische Übungen

Distance Metrics10m

Clustering Algorithms10m

Comparing Clustering Algorithms10m

End of Module10m

Woche

Woche 3

5 Stunden zum Abschließen

Dimensionality Reduction

This module introduces dimensionality reduction and Principal Component Analysis, which are powerful techniques for big data, imaging, and pre-processing data. At the end of this module, you will have all the tools in your toolkit to highlight your Unsupervised Learning abilities in your final project.

5 Stunden zum Abschließen

9 Videos (Gesamt 88 min), 2 Lektüren, 5 Quiz

9 Videos

Dimensionality Reduction - Part 114m

Dimensionality Reduction - Part 26m

PCA Notebook - Part 111m

Dimensionality Reduction Notebook - Part 212m

Dimensionality Reduction Notebook - Part 311m

Non Negative Matrix Factorization9m

Non Negative Matrix Factorization Notebook - Part 18m

Non Negative Matrix Factorization Notebook - Part 26m

Dimensionality Reduction Imaging Example7m

2 Lektüren

Non Negative Matrix Factorization (Activity)2m

Summary10m

3 praktische Übungen

Dimensionality Reduction5m

Non Negative Matrix Factorization10m

End of Module10m

Bewertungen

4.7

30 Bewertungen

5 stars
80,68 %
4 stars
13,10 %
3 stars
2,75 %
2 stars
2,06 %
1 star
1,37 %

Top-Bewertungen von UNSUPERVISED MACHINE LEARNING

von NW25. Dez. 2020

Great course for learning about Unsupervised Learning

von MK21. Feb. 2022

Thank you Coursera.

Thank you IBM.

Thank you to all instructors.

von KD11. Apr. 2022

Awesome and wholesome explaination of the concepts

von AV5. Juli 2021

Great course. Maybe there is one instance of wrong answer in one of the quizzes. Everything elese is perfect. Thanks IBM !

Alle Bewertungen anzeigen

Häufig gestellte Fragen

Wann erhalte ich Zugang zu den Vorträgen und Aufgaben?
Der Zugang zu Vorlesungen und Aufgaben hängt von der Art Ihrer Anmeldung ab. Wenn Sie einen Kurs im Gastmodus belegen, können Sie die meisten Kursmaterialien kostenlos einsehen. Um auf benotete Aufgaben zuzugreifen und ein Zertifikat zu erhalten, müssen Sie während oder nach Ihrer Gastphase das Zertifikat erwerben. Wenn Sie die Gastoption nicht sehen:
Der Kurs bietet möglicherweise keine Gastoption an. Sie können stattdessen eine kostenlose Testversion ausprobieren oder finanzielle Unterstützung beantragen.
Der Kurs kann stattdessen "Vollständiger Kurs ohne Zertifikat" anbieten. Mit dieser Option können Sie alle Kursmaterialien einsehen, die erforderlichen Aufgaben einreichen und eine Endnote erhalten. Dies bedeutet auch, dass Sie kein Zertifikat erwerben können.
Was bekomme ich, wenn ich dieses Zertifikat abonniere?
Wenn Sie sich für den Kurs anmelden, erhalten Sie Zugriff auf alle Kurse des Zertifikats und Sie erhalten nach Abschluss aller Arbeiten ein Zertifikat. Ihr elektronisches Zertifikat wird zu Ihrer Seite „Errungenschaften“ hinzugefügt – von dort können Sie Ihr Zertifikat ausdrucken oder es zu Ihrem LinkedIn-Profil hinzufügen. Wenn Sie lediglich den Inhalt des Kurses lesen und anzeigen möchten, können Sie kostenlos als Gast an dem Kurs teilnehmen.
Wie erfolgen Rückerstattungen?
Wenn Sie ein Abonnement abgeschlossen haben, erhalten Sie eine 7-tägige, kostenlose Testversion, die Sie gebührenfrei wieder kündigen können. Danach gewähren wir keine Rückerstattungen mehr, aber Sie können Ihr Abonnement jederzeit kündigen. Lesen Sie unsere vollständige Rückerstattungsrichtlinie.

Haben Sie weitere Fragen? Besuchen Sie das Learner Help Center.

Unsupervised Machine Learning

Über diesen Kurs

Kompetenzen, die Sie erwerben