Aprenda em nove notebooks Jupyter como clustering revela estruturas em dados sem rótulos. Você passará da diferença entre aprendizado supervisionado e não supervisionado para métodos por centroides, hierarquia, densidade e grafos, comparando formas e tamanhos.
O curso combina intuição, implementações selecionadas, scikit-learn e exercícios. Você comprimirá uma imagem agrupando pixels, criará um dendrograma de sementes, localizará áreas densas de bicicletas e comparará oito métodos.
O que você aprenderá
- Distinguir clustering não supervisionado de previsão supervisionada
- Implementar etapas de K-Means e examinar K, K-Means++ e Mini-Batch K-Means
- Comprimir cores de uma imagem agrupando pixels
- Comparar linkage, construir hierarquias aglomerativas e explorar BIRCH e PCA
- Criar e truncar um dendrograma de sementes de trigo
- Aplicar DBSCAN e conceitos HDBSCAN a formas irregulares, densidade e ruído
- Agrupar coordenadas de bicicletas e marcar outliers com DBSCAN
- Usar clustering espectral e comparar oito algoritmos em moons, circles, blobs e tamanhos
Para quem é este curso
Este curso é para estudantes de Python com machine learning introdutório que desejam escolher famílias de clustering. Ele conecta distâncias, centroides, densidade, árvores, grafos, resultados visuais e tempo. Apesar do nível iniciante, vai além de um primeiro curso de programação.
Pré-requisitos: Recomendam-se Python, NumPy, Pandas, Matplotlib e fluxos básicos de scikit-learn. Vetores, distâncias, matrizes e APIs ajudam; experiência em clustering não é necessária.
Ambiente de aprendizagem: As nove atividades usam Ubuntu 22.04 Jupyter com explicações, visualizações, imagens e CSV, exemplos e tarefas de código.
Perguntas frequentes
O curso implementa algoritmos ou só chama scikit-learn?
Faz ambos. Percorre ideias e etapas de K-Means, hierárquico, DBSCAN e espectral e usa scikit-learn e SciPy para modelos e dendrogramas.
Quais métodos são abordados?
K-Means, K-Means++, Mini-Batch K-Means, aglomerativo, BIRCH, DBSCAN, conceitos HDBSCAN, espectral, Affinity Propagation e Mean Shift.
Há exercícios aplicados além de pontos sintéticos?
Sim. Você comprimirá uma imagem de Chengdu, agrupará sementes e analisará coordenadas de bicicletas para identificar densidade e outliers.
Posso copiar tudo para a versão mais recente do scikit-learn?
O ambiente preparado executa os notebooks, mas alguns usam parâmetros antigos como affinity. Consulte a API atual e atualize argumentos obsoletos.
