Machine Learning Bootcamp w języku Python cz. II to szkolenie poświęcone uczeniu nienadzorowanemu. Obejmuje kluczowe zagadnienia: klasteryzację, redukcję wymiarowości, reguły asocjacyjne oraz detekcję anomalii. Omawiane są liczne algorytmy, m.in. K‑średnich, grupowanie hierarchiczne, DBSCAN, PCA, t‑SNE, Apriori, LOF i Isolation Forest. Kurs jest zbudowany w oparciu o biblioteki scikit‑learn, Prophet oraz OpenCV.

Uczenie nienadzorowane w kursie

Szkolenie koncentruje się na uczeniu nienadzorowanemu i porządkuje najważniejsze obszary tego podejścia. Wpisuje się w logikę całej serii Bootcamp, prowadząc przez temat krok po kroku. Zobaczysz, jak w jednym zestawie treści mieszczą się klasteryzacja, redukcja wymiarowości, reguły asocjacyjne oraz detekcja anomalii. Dzięki temu łatwiej połączysz nazwy algorytmów z ich miejscem w szerszym obrazie uczenia maszynowego. Materiał spójnie łączy teorię zagadnień z ich prezentacją w Pythonie, co ułatwia przyswojenie pojęć i nawigowanie po dostępnych narzędziach.

Klasteryzacja: K‑średnich, hierarchiczne, DBSCAN

W części dotyczącej klasteryzacji omawiane są trzy podejścia: K‑średnich, grupowanie hierarchiczne oraz DBSCAN. Materiał pokazuje, jak te metody są prezentowane w kontekście danych i jak wpisują się w ideę dzielenia obserwacji na grupy. Przegląd pozwala uporządkować nazewnictwo i zrozumieć, czym różnią się omawiane algorytmy z poziomu użytkownika Pythona. Dzięki wspólnej narracji porównać można, jak poszczególne techniki reagują na dane wejściowe i gdzie mieszczą się w katalogu metod uczenia nienadzorowanego.

Redukcja wymiarowości: PCA i t‑SNE

Redukcja wymiarowości to kolejny filar szkolenia. Kurs przedstawia PCA oraz t‑SNE jako ważne elementy przeglądu metod uczenia nienadzorowanego. Podejście porządkuje pojęcia związane z przekształcaniem przestrzeni cech i ułatwia odnalezienie miejsca tych narzędzi w pracy z danymi. Omówienie obu algorytmów pomaga uchwycić ich rolę w przygotowaniu i prezentacji danych, a także pozwala lepiej zobaczyć, jak współgrają z innymi elementami ścieżki, w której obok klasteryzacji pojawia się temat redukcji wymiarów.

Reguły asocjacyjne i detekcja anomalii

W module o regułach asocjacyjnych poruszony jest algorytm Apriori, a część o wykrywaniu nietypowych przypadków obejmuje LOF oraz Isolation Forest. Razem tworzą przegląd ważnych zagadnień, które dopełniają obraz uczenia nienadzorowanego w praktyce. Dzięki temu w jednym miejscu znajdują się tematy dotyczące zależności między elementami oraz sposoby wychwytywania obserwacji odstających. Takie zestawienie sprzyja zrozumieniu ścieżki analizy, w której obok grupowania i redukcji wymiarów pojawia się identyfikacja reguł i anomalii.

Biblioteki: scikit‑learn, Prophet, OpenCV

Kurs jest zbudowany w oparciu o biblioteki wykorzystywane w środowisku Pythona: scikit‑learn, Prophet oraz OpenCV. Dzięki temu zagadnienia są osadzone w konkretnym ekosystemie narzędzi, a nazwy metod pozostają spójne w całej serii. Taki dobór technologii ułatwia śledzenie materiału i poruszanie się po nim. Zastosowane biblioteki spajają treść i czynią przegląd algorytmów czytelnym dla osób uczących się uczenia maszynowego.