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

4.7
2,307 個評分

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:

1 - Machine Learning: Clustering & Retrieval 的 25 個評論(共 381 個)

創建者 Ernie M

2017年9月25日

創建者 James F

2016年8月10日

創建者 Eugene K

2017年2月10日

創建者 Veeraraghavan

2020年3月2日

創建者 André F d A F C

2016年7月25日

創建者 Dario D G

2020年1月18日

創建者 Edward F

2017年6月25日

創建者 akashkr1498

2019年7月8日

創建者 Bruno K

2016年8月25日

創建者 Pankaj K

2017年9月8日

創建者 Tsz W K

2017年5月14日

創建者 Hamel H

2016年8月7日

創建者 Ken C

2017年2月4日

創建者 Phil B

2018年2月13日

創建者 Sean S

2018年4月3日

創建者 Leonardo D

2019年8月25日

創建者 Luiz C

2018年7月10日

創建者 vacous

2018年4月18日

創建者 Kim K L

2016年10月4日

創建者 Uday A

2017年8月12日

創建者 Diogo A

2020年7月17日

創建者 Ridhwanul H

2017年10月17日

創建者 Abhilash

2017年2月20日

創建者 Swati D

2018年5月2日

創建者 Jie S

2019年12月27日