Principal Component Analysis with NumPy

238 Bewertungen
Coursera Project Network
7,142 bereits angemeldet
In diesem angeleitetes Projekt werden Sie:

Implement Principal Component Analysis (PCA) from scratch with NumPy and Python

Conduct basic exploratory data analysis (EDA)

Create simple data visualizations with Seaborn and Matplotlib

Clock1.5 hours
CloudKein Download erforderlich
VideoVideo auf geteiltem Bildschirm
Comment DotsEnglisch
LaptopNur Desktop

Welcome to this 2 hour long project-based course on Principal Component Analysis with NumPy and Python. In this project, you will do all the machine learning without using any of the popular machine learning libraries such as scikit-learn and statsmodels. The aim of this project and is to implement all the machinery of the various learning algorithms yourself, so you have a deeper understanding of the fundamentals. By the time you complete this project, you will be able to implement and apply PCA from scratch using NumPy in Python, conduct basic exploratory data analysis, and create simple data visualizations with Seaborn and Matplotlib. The prerequisites for this project are prior programming experience in Python and a basic understanding of machine learning theory. This course runs on Coursera's hands-on project platform called Rhyme. On Rhyme, you do projects in a hands-on manner in your browser. You will get instant access to pre-configured cloud desktops containing all of the software and data you need for the project. Everything is already set up directly in your internet browser so you can just focus on learning. For this project, you’ll get instant access to a cloud desktop with Python, Jupyter, NumPy, and Seaborn pre-installed.

Kompetenzen, die Sie erwerben werden

Data SciencePython ProgrammingSeabornNumpyPCA

Schritt für Schritt lernen

In einem Video, das auf einer Hälfte Ihres Arbeitsbereichs abgespielt wird, führt Sie Ihr Dozent durch diese Schritte:

  1. Introduction and Overview

  2. Load the Data and Libraries

  3. Visualize the Data

  4. Data Standardization

  5. Compute the Eigenvectors and Eigenvalues

  6. Singular Value Decomposition (SVD)

  7. Selecting Principal Components Using the Explained Variance

  8. Project Data Onto a Lower-Dimensional Linear Subspace

Ablauf angeleiteter Projekte

Ihr Arbeitsbereich ist ein Cloud-Desktop direkt in Ihrem Browser, kein Download erforderlich

Ihr Dozent leitet Sie in einem Video mit geteiltem Bildschirm Schritt für Schritt an.



Alle Bewertungen anzeigen

Häufig gestellte Fragen

Häufig gestellte Fragen

Haben Sie weitere Fragen? Besuchen Sie das Hilfe-Center für Teiln..