Chevron Left
返回到 Machine Learning: Clustering & Retrieval

學生對 华盛顿大学 提供的 Machine Learning: Clustering & Retrieval 的評價和反饋

4.6
2,201 個評分
378 條評論

課程概述

Case Studies: Finding Similar Documents A reader is interested in a specific news article and you want to find similar articles to recommend. What is the right notion of similarity? Moreover, what if there are millions of other documents? Each time you want to a retrieve a new document, do you need to search through all other documents? How do you group similar documents together? How do you discover new, emerging topics that the documents cover? In this third case study, finding similar documents, you will examine similarity-based algorithms for retrieval. In this course, you will also examine structured representations for describing the documents in the corpus, including clustering and mixed membership models, such as latent Dirichlet allocation (LDA). You will implement expectation maximization (EM) to learn the document clusterings, and see how to scale the methods using MapReduce. Learning Outcomes: By the end of this course, you will be able to: -Create a document retrieval system using k-nearest neighbors. -Identify various similarity metrics for text data. -Reduce computations in k-nearest neighbor search by using KD-trees. -Produce approximate nearest neighbors using locality sensitive hashing. -Compare and contrast supervised and unsupervised learning tasks. -Cluster documents by topic using k-means. -Describe how to parallelize k-means using MapReduce. -Examine probabilistic clustering approaches using mixtures models. -Fit a mixture of Gaussian model using expectation maximization (EM). -Perform mixed membership modeling using latent Dirichlet allocation (LDA). -Describe the steps of a Gibbs sampler and how to use its output to draw inferences. -Compare and contrast initialization techniques for non-convex optimization objectives. -Implement these techniques in Python....

熱門審閱

BK
2016年8月24日

excellent material! It would be nice, however, to mention some reading material, books or articles, for those interested in the details and the theories behind the concepts presented in the course.

JM
2017年1月16日

Excellent course, well thought out lectures and problem sets. The programming assignments offer an appropriate amount of guidance that allows the students to work through the material on their own.

篩選依據:

251 - Machine Learning: Clustering & Retrieval 的 275 個評論(共 366 個)

創建者 Siddharth V B

2020年11月29日

nice course

創建者 Saurabh A

2020年9月24日

very good !

創建者 Pradeep N

2017年2月21日

"super one,

創建者 clark.bourne

2017年1月8日

内容丰富实际,材料全。

創建者 VITTE

2018年11月11日

Excellent.

創建者 Gautam R

2016年10月8日

Awesome :)

創建者 miguel s

2020年9月20日

very well

創建者 Neha K

2020年9月19日

EXCELLENT

創建者 PAWAN S

2020年9月17日

excellent

創建者 Subhadip P

2020年8月4日

excellent

創建者 Alan B

2020年7月3日

Excellent

創建者 RISHABH T

2017年11月12日

excellent

創建者 Iñigo C S

2016年8月8日

Amazing.

創建者 Mr. J

2020年5月22日

Superb.

創建者 Zihan W

2020年8月21日

great~

創建者 Bingyan C

2016年12月26日

great.

創建者 Cuiqing L

2016年11月5日

great!

創建者 Job W

2016年7月23日

Great!

創建者 SUJAY P

2020年8月21日

great

創建者 Vaibhav K

2020年9月29日

good

創建者 PRITAM B

2020年8月13日

well

創建者 Frank

2016年11月23日

非常棒!

創建者 Pavithra M

2020年5月24日

nil

創建者 Alexandre

2016年10月23日

ok

創建者 Nagendra K M R

2018年11月10日

G