Об этом курсе
Недавно просмотрено: 28,039

100% онлайн

Начните сейчас и учитесь по собственному графику.

Гибкие сроки

Назначьте сроки сдачи в соответствии со своим графиком.

Начальный уровень

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

Прибл. 25 часов на выполнение

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

Английский

Субтитры: Английский

Чему вы научитесь

  • 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.

Приобретаемые навыки

K-Means ClusteringMachine LearningProgramming in Python

100% онлайн

Начните сейчас и учитесь по собственному графику.

Гибкие сроки

Назначьте сроки сдачи в соответствии со своим графиком.

Начальный уровень

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

Прибл. 25 часов на выполнение

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

Английский

Субтитры: Английский

Программа курса: что вы изучите

Неделя
1
7 ч. на завершение

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

9 видео ((всего 22 мин.)), 4 тестов
9 видео
Types of Data1мин
Machine Learning3мин
Supervised vs Unsupervised Learning2мин
K-Means Clustering4мин
Preparing your Data1мин
A Real World Dataset53
4 практических упражнения
Types of Data – Review Information15мин
Supervised vs Unsupervised – Review Information15мин
K-Means Clustering – Review Information30мин
Week 1 Summative Assessment40мин
Неделя
2
4 ч. на завершение

Week 2: Means and Deviations in Mathematics and Python

11 видео ((всего 37 мин.)), 4 материалов для самостоятельного изучения, 11 тестов
11 видео
2.3 – Variance and Standard Deviation3мин
2.4 Jupyter Notebooks6мин
2.5 Variables4мин
2.6 Lists4мин
2.7 Computing the Mean3мин
2.8 Better Lists: NumPy3мин
2.9 Computing the Standard Deviation6мин
Week 2 Conclusion31
4 материала для самостоятельного изучения
Population vs Sample, Bias10мин
Variability, Standard Deviation and Bias10мин
Python Style Guide10мин
Numpy and Array Creation20мин
10 практических упражнений
Population vs Sample – Review Information5мин
Mean of One Dimensional Lists – Review Information3мин
Variance and Standard Deviation – Review Information4мин
Jupyter Notebooks – Review Information20мин
Variables – Review Information10мин
Lists – Review Information10мин
Computing the Mean – Review Information10мин
Better Lists – Review Information10мин
Computing the Standard Deviation – Review Information10мин
Week 2 Summative Assessment40мин
Неделя
3
4 ч. на завершение

Week 3: Moving from One to Two Dimensional Data

16 видео ((всего 53 мин.)), 10 материалов для самостоятельного изучения, 15 тестов
16 видео
3.3 Dispersion: Multidimensional Variables3мин
3.4 Distance Metrics5мин
3.5 Normalisation1мин
3.6 Outliers1мин
3.7 Basic Plotting2мин
3.7a Storing 2D Coordinates in a Single Data Structure6мин
3.8 Multidimensional Mean4мин
3.9 Adding Graphical Overlays5мин
3.10 Calculating the Distance to the Mean3мин
3.11 List Comprehension3мин
3.12 Normalisation in Python5мин
3.13 Outliers and Plotting Normalised Data2мин
Week 3 Conclusion30
10 материалов для самостоятельного изучения
Multidimensional Data Points and Features Recap10мин
Multidimensional Mean Recap10мин
Multidimensional Variables Recap10мин
Distance Metrics Recap10мин
Normalisation Recap10мин
Note on Matplotlib10мин
Matplotlib Scatter Plot Documentation20мин
Matplotlib Patches Documentation10мин
List Comprehension Documentation20мин
3.12 Errata10мин
15 практических упражнений
Multidimensional Data Points and Features – Review Information3мин
Multidimensional Mean – Review Information3мин
Dispersion: Multidimensional Variables – Review Information5мин
Distance Metrics – Review Information6мин
Normalisation – Review Information3мин
Outliers – Review Information4мин
Basic Plotting – Review Information5мин
Storing 2D Coordinates – Review Information4мин
Multidimensional Mean – Review Information4мин
Adding Graphical Overlays – Review Information6мин
Calculating Distance – Review Information6мин
List Comprehension – Review Information4мин
Normalisation in Python – Review Information4мин
Outliers – Review Information2мин
Week 3 Summative Assessment25мин
Неделя
4
5 ч. на завершение

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

8 видео ((всего 37 мин.)), 6 материалов для самостоятельного изучения, 8 тестов
8 видео
4.1b: Labelling Points on a Graph4мин
4.1c: Labelling all the Points on a Graph3мин
4.2: Eyeballing the Data5мин
4.3: Using K-Means to Interpret the Data8мин
Week 4: Conclusion35
6 материалов для самостоятельного изучения
Week 4 Code Resources5мин
Pandas Read_CSV Function15мин
More Pandas Library Documentation10мин
The Pyplot Text Function10мин
For Loops in Python10мин
Documentation for sklearn.cluster.KMeans10мин
7 практических упражнений
Using the Pandas Library to Read csv Files – Review Information5мин
Sorting and Filtering Data Using Pandas – Review Information10мин
Labelling Points on a Graph – Review Information5мин
Labelling all the Points on a Graph – Review Information5мин
Eyeballing the Data – Review Information5мин
Using K-Means to Interpret the Data – Review Information5мин
Week 4 Summative Assessment40мин
4.7
Рецензии: 2Chevron Right

Лучшие отзывы о курсе Foundations of Data Science: K-Means Clustering in Python

автор: AAJun 4th 2019

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

Преподаватели

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

О Лондонский университет

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...

О Голдсмитский колледж, Лондонский университет

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....

Часто задаваемые вопросы

  • Зарегистрировавшись на сертификацию, вы получите доступ ко всем видео, тестам и заданиям по программированию (если они предусмотрены). Задания по взаимной оценке сокурсниками можно сдавать и проверять только после начала сессии. Если вы проходите курс без оплаты, некоторые задания могут быть недоступны.

  • Оплатив сертификацию, вы получите доступ ко всем материалам курса, включая оцениваемые задания. После успешного прохождения курса на странице ваших достижений появится электронный сертификат. Оттуда его можно распечатать или прикрепить к профилю LinkedIn. Просто ознакомиться с содержанием курса можно бесплатно.

Остались вопросы? Посетите Центр поддержки учащихся.