À propos de ce cours
28,465 consultations récentes

100 % en ligne

Commencez dès maintenant et apprenez aux horaires qui vous conviennent.

Dates limites flexibles

Réinitialisez les dates limites selon votre disponibilité.

Niveau débutant

You will need mathematical and statistical knowledge and skills at least at high-school level.

Approx. 25 heures pour terminer

Recommandé : 5 Weeks of study, 5-6 hours per week...

Anglais

Sous-titres : Anglais

Ce que vous allez apprendre

  • Check

    Define and explain the key concepts of data clustering

  • Check

    Demonstrate understanding of the key constructs and features of the Python language.

  • Check

    Implement in Python the principle steps of the K-means algorithm.

  • Check

    Design and execute a whole data clustering workflow and interpret the outputs.

Compétences que vous acquerrez

K-Means ClusteringMachine LearningProgramming in Python

100 % en ligne

Commencez dès maintenant et apprenez aux horaires qui vous conviennent.

Dates limites flexibles

Réinitialisez les dates limites selon votre disponibilité.

Niveau débutant

You will need mathematical and statistical knowledge and skills at least at high-school level.

Approx. 25 heures pour terminer

Recommandé : 5 Weeks of study, 5-6 hours per week...

Anglais

Sous-titres : Anglais

Programme du cours : ce que vous apprendrez dans ce cours

Semaine
1
7 heures pour terminer

Week 1: Foundations of Data Science: K-Means Clustering in Python

9 vidéos (Total 22 min), 4 quiz
9 vidéos
Types of Data1 min
Machine Learning3 min
Supervised vs Unsupervised Learning2 min
K-Means Clustering4 min
Preparing your Data1 min
A Real World Dataset53s
4 exercices pour s'entraîner
Types of Data – Review Information15 min
Supervised vs Unsupervised – Review Information15 min
K-Means Clustering – Review Information30 min
Week 1 Summative Assessment40 min
Semaine
2
4 heures pour terminer

Week 2: Means and Deviations in Mathematics and Python

11 vidéos (Total 37 min), 4 lectures, 11 quiz
11 vidéos
2.3 – Variance and Standard Deviation3 min
2.4 Jupyter Notebooks6 min
2.5 Variables4 min
2.6 Lists4 min
2.7 Computing the Mean3 min
2.8 Better Lists: NumPy3 min
2.9 Computing the Standard Deviation6 min
Week 2 Conclusion31s
4 lectures
Population vs Sample, Bias10 min
Variability, Standard Deviation and Bias10 min
Python Style Guide10 min
Numpy and Array Creation20 min
10 exercices pour s'entraîner
Population vs Sample – Review Information5 min
Mean of One Dimensional Lists – Review Information3 min
Variance and Standard Deviation – Review Information4 min
Jupyter Notebooks – Review Information20 min
Variables – Review Information10 min
Lists – Review Information10 min
Computing the Mean – Review Information10 min
Better Lists – Review Information10 min
Computing the Standard Deviation – Review Information10 min
Week 2 Summative Assessment40 min
Semaine
3
4 heures pour terminer

Week 3: Moving from One to Two Dimensional Data

16 vidéos (Total 53 min), 10 lectures, 15 quiz
16 vidéos
3.3 Dispersion: Multidimensional Variables3 min
3.4 Distance Metrics5 min
3.5 Normalisation1 min
3.6 Outliers1 min
3.7 Basic Plotting2 min
3.7a Storing 2D Coordinates in a Single Data Structure6 min
3.8 Multidimensional Mean4 min
3.9 Adding Graphical Overlays5 min
3.10 Calculating the Distance to the Mean3 min
3.11 List Comprehension3 min
3.12 Normalisation in Python5 min
3.13 Outliers and Plotting Normalised Data2 min
Week 3 Conclusion30s
10 lectures
Multidimensional Data Points and Features Recap10 min
Multidimensional Mean Recap10 min
Multidimensional Variables Recap10 min
Distance Metrics Recap10 min
Normalisation Recap10 min
Note on Matplotlib10 min
Matplotlib Scatter Plot Documentation20 min
Matplotlib Patches Documentation10 min
List Comprehension Documentation20 min
3.12 Errata10 min
15 exercices pour s'entraîner
Multidimensional Data Points and Features – Review Information3 min
Multidimensional Mean – Review Information3 min
Dispersion: Multidimensional Variables – Review Information5 min
Distance Metrics – Review Information6 min
Normalisation – Review Information3 min
Outliers – Review Information4 min
Basic Plotting – Review Information5 min
Storing 2D Coordinates – Review Information4 min
Multidimensional Mean – Review Information4 min
Adding Graphical Overlays – Review Information6 min
Calculating Distance – Review Information6 min
List Comprehension – Review Information4 min
Normalisation in Python – Review Information4 min
Outliers – Review Information2 min
Week 3 Summative Assessment25 min
Semaine
4
5 heures pour terminer

Week 4: Introducing Pandas and Using K-Means to Analyse Data

8 vidéos (Total 37 min), 6 lectures, 8 quiz
8 vidéos
4.1b: Labelling Points on a Graph4 min
4.1c: Labelling all the Points on a Graph3 min
4.2: Eyeballing the Data5 min
4.3: Using K-Means to Interpret the Data8 min
Week 4: Conclusion35s
6 lectures
Week 4 Code Resources5 min
Pandas Read_CSV Function15 min
More Pandas Library Documentation10 min
The Pyplot Text Function10 min
For Loops in Python10 min
Documentation for sklearn.cluster.KMeans10 min
7 exercices pour s'entraîner
Using the Pandas Library to Read csv Files – Review Information5 min
Sorting and Filtering Data Using Pandas – Review Information10 min
Labelling Points on a Graph – Review Information5 min
Labelling all the Points on a Graph – Review Information5 min
Eyeballing the Data – Review Information5 min
Using K-Means to Interpret the Data – Review Information5 min
Week 4 Summative Assessment40 min
4.7
2 avisChevron Right

Principaux examens pour Foundations of Data Science: K-Means Clustering in Python

par AAJun 4th 2019

This course is at right level for a beginner (python and analytics) while going into details around K means clustering

Enseignants

Avatar

Dr Matthew Yee-King

Lecturer
Computing Department, Goldsmiths, University of London
Avatar

Dr Betty Fyn-Sydney

Lecturer in Mathematics
Department of Computing, Goldsmiths, University of London
Avatar

Dr Jamie A Ward

Lecturer in Computer Science
Department of Computing, Goldsmiths, University of London
Avatar

Dr Larisa Soldatova

Reader in Data Science
Department of Computing, Goldsmiths, University of London

À propos de Université de Londres

The University of London is a federal University which includes 18 world leading Colleges. Our distance learning programmes were founded in 1858 and have enriched the lives of thousands of students, delivering high quality University of London degrees wherever our students are across the globe. Our alumni include 7 Nobel Prize winners. Today, we are a global leader in distance and flexible study, offering degree programmes to over 50,000 students in over 180 countries. To find out more about studying for one of our degrees where you are, visit www.london.ac.uk...

À propos de Goldsmiths, Université de Londres

Championing research-rich degrees that provoke thought, stretch the imagination and tap into tomorrow’s world, at Goldsmiths we’re asking the questions that matter now in subjects as diverse as the arts and humanities, social sciences, cultural studies, computing, and entrepreneurial business and management. We are a community defined by its people: innovative in spirit, analytical in approach and open to all....

Foire Aux Questions

  • Une fois que vous êtes inscrit(e) pour un Certificat, vous pouvez accéder à toutes les vidéos de cours, et à tous les quiz et exercices de programmation (le cas échéant). Vous pouvez soumettre des devoirs à examiner par vos pairs et en examiner vous-même uniquement après le début de votre session. Si vous préférez explorer le cours sans l'acheter, vous ne serez peut-être pas en mesure d'accéder à certains devoirs.

  • Lorsque vous achetez un Certificat, vous bénéficiez d'un accès à tout le contenu du cours, y compris les devoirs notés. Lorsque vous avez terminé et réussi le cours, votre Certificat électronique est ajouté à votre page Accomplissements. À partir de cette page, vous pouvez imprimer votre Certificat ou l'ajouter à votre profil LinkedIn. Si vous souhaitez seulement lire et visualiser le contenu du cours, vous pouvez accéder gratuitement au cours en tant qu'auditeur libre.

D'autres questions ? Visitez le Centre d'Aide pour les Etudiants.