{
  "nbformat": 4,
  "nbformat_minor": 0,
  "metadata": {
    "colab": {
      "name": "Άσκηση 09 - Αυτο-οργανούμενοι Χάρτες - Solution.ipynb",
      "provenance": []
    },
    "kernelspec": {
      "name": "python3",
      "display_name": "Python 3"
    },
    "language_info": {
      "name": "python"
    }
  },
  "cells": [
    {
      "cell_type": "markdown",
      "metadata": {
        "id": "QtAAIiKlDthn"
      },
      "source": [
        "# Άσκηση 09: Χρήση των αυτο-οργανούμενων χαρτών (Solution)"
      ]
    },
    {
      "cell_type": "markdown",
      "metadata": {
        "id": "Pt69D_0BD71Q"
      },
      "source": [
        "Σε αυτή την άσκηση θα χρησιμοποιήσουμε τους αυτο-οργανούμενους χάρτες για την οπτικοποίηση της πυκνότητας ενός χώρου δεδομένων 5 διαστάσεων, με τη χρήση της βιβλιοοθήκης [Somoclu](https://somoclu.readthedocs.io/)\n",
        "\n",
        "Ξεκινάμε εγκαθιστώντας την."
      ]
    },
    {
      "cell_type": "code",
      "metadata": {
        "id": "zFuv4GngC_oV"
      },
      "source": [
        "!pip install --upgrade somoclu"
      ],
      "execution_count": null,
      "outputs": []
    },
    {
      "cell_type": "markdown",
      "metadata": {
        "id": "kqEOok-zEzZj"
      },
      "source": [
        "Στη συνέχεια, κάνουμε\n",
        " import τις κλάσεις και τις μεθόδους που πρόκειται να χρησιμοποιήσουμε."
      ]
    },
    {
      "cell_type": "code",
      "metadata": {
        "id": "wgo05-qIE14E"
      },
      "source": [
        "from mpl_toolkits.mplot3d import Axes3D\n",
        "from sklearn.cluster import KMeans\n",
        "from sklearn.datasets import make_blobs\n",
        "\n",
        "import numpy as np\n",
        "import matplotlib.pyplot as plt\n",
        "import somoclu\n",
        "\n",
        "%matplotlib inline"
      ],
      "execution_count": null,
      "outputs": []
    },
    {
      "cell_type": "markdown",
      "metadata": {
        "id": "OzLI8qXSFG1G"
      },
      "source": [
        "Κατόπιν δημιουργούμε 1000 δείγματα (συνθετικά δεδομένα) 5 χαρακτηριστικών, τα οποία εντάσσονται σε άγνωστο πλήθος συστάδων (μεταξύ 3 και 8)"
      ]
    },
    {
      "cell_type": "code",
      "metadata": {
        "id": "O79B1yjmFdGe"
      },
      "source": [
        "data, _ = make_blobs(n_samples=1000, n_features=5, \n",
        "                     centers=np.random.randint(3,9), cluster_std=0.6, \n",
        "                     random_state=0)\n",
        "labels = range(len(data))"
      ],
      "execution_count": null,
      "outputs": []
    },
    {
      "cell_type": "markdown",
      "metadata": {
        "id": "8CUknK9WFgUp"
      },
      "source": [
        "## 1. Αρχικοποίηση και εκπαίδευση χάρτη SOM\n",
        "\n",
        "Αρχικοποιείστε χάρτη SOM 8 x 8 νευρώνων και εκπαιδεύστε τον στα δεδομένα"
      ]
    },
    {
      "cell_type": "code",
      "metadata": {
        "id": "jeVvY9MoFzbT"
      },
      "source": [
        "n_rows, n_columns = 8, 8\n",
        "som = somoclu.Somoclu(n_columns, n_rows, compactsupport=False)\n",
        "som.train(data)"
      ],
      "execution_count": null,
      "outputs": []
    },
    {
      "cell_type": "markdown",
      "metadata": {
        "id": "4RRer64nHcoC"
      },
      "source": [
        "## 2. Εμφάνιση U-matrix\n",
        "\n",
        "Εμφανίστε το U-matrix του SOM που εκπαιδεύσατε. Πόσες συστάδες (clusters) δεδομένων παρατηρείτε;"
      ]
    },
    {
      "cell_type": "code",
      "metadata": {
        "id": "N6WvBRC7Hop3"
      },
      "source": [
        "som.view_umatrix(bestmatches=True, labels=labels, colorbar=True, \n",
        "                 figsize=(15, 15))"
      ],
      "execution_count": null,
      "outputs": []
    },
    {
      "cell_type": "markdown",
      "metadata": {
        "id": "lsdtuHM_JTis"
      },
      "source": [
        "## 3. Χρωματισμός των νευρώνων-νικητών\n",
        "\n",
        "Χρωματίστε τους νευρώνες νικητές που ανήκουν στο ίδιο cluster με τη χρήση του αλγορίθμου συσταδοποίσης k-μέσων"
      ]
    },
    {
      "cell_type": "code",
      "metadata": {
        "id": "2o5Bfg3qJUfy"
      },
      "source": [
        "algorithm = KMeans(5)\n",
        "som.cluster(algorithm=algorithm)\n",
        "som.view_umatrix(bestmatches=True, labels=labels, colorbar=True, figsize=(15, 15))"
      ],
      "execution_count": null,
      "outputs": []
    },
    {
      "cell_type": "markdown",
      "metadata": {
        "id": "qU-awDtlIcfz"
      },
      "source": [
        "## 4. Νευρώνες Νικητές\n",
        "\n",
        "Εμφανίστε σε ποιον νευρώνα-νικητή ανήκει το κάθε δείγμα δεδομένων. Αριθμήστε μοναδικά τα bmus"
      ]
    },
    {
      "cell_type": "code",
      "metadata": {
        "id": "kUF6Ey63IbsX"
      },
      "source": [
        "ubmus, indices = np.unique(som.bmus, return_inverse=True, axis=0)\n",
        "print(indices)"
      ],
      "execution_count": null,
      "outputs": []
    }
  ]
}