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
2,194 個評分
376 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:

201 - Machine Learning: Clustering & Retrieval 的 225 個評論(共 364 個)

創建者 Alessandro B

2017年12月15日

very useful and structured

創建者 wonjai c

2020年5月19日

difficult but good enough

創建者 Moustafa A A

2016年8月28日

Fantastic course as usual

創建者 Gaurav K

2020年9月23日

very good course to do.

創建者 Jay M

2020年5月26日

Very good course for ML

創建者 Velpula M K

2019年12月6日

Good and best to learn.

創建者 Brian N

2018年5月20日

This course is exciting

創建者 suryatapa r

2016年12月16日

It's an amazing Course.

創建者 Aishwarya A

2020年11月28日

best place to learn ML

創建者 Juan F H

2018年11月15日

The teacher is awesome

創建者 gaozhipeng

2016年12月26日

VERY IMPRESSIVE COURSE

創建者 Zhongkai M

2019年2月12日

Great assignments : )

創建者 roi s

2017年10月29日

Great, very hands on!

創建者 Weituo H

2016年8月29日

strongly recommended!

創建者 Sukhvir S

2020年7月10日

wonderful experience

創建者 Omar S

2017年7月12日

I loved this course!

創建者 Itrat R

2017年1月22日

Excellent Course!!!

創建者 PAVITHRA B

2020年9月29日

VERY USEFUL COURSE

創建者 SUBBA R D

2020年6月16日

most useful course

創建者 Israel C

2017年8月15日

Excellent Course!

創建者 Antonio P L

2016年10月3日

Excellent course.

創建者 jihe

2016年9月8日

Very good course!

創建者 Igor D

2016年8月21日

This was AWESOME!

創建者 zhenyue z

2016年8月9日

very nice lecture

創建者 Anurag

2019年12月20日

Great Experience