Nach diesen Kursen fühle ich mich sicher, professionelle Visualisierungen und Dashboards zu erstellen.
Shoebur RahmanBeschaffungsspezialist, Giz Bangladesh
Kursbeschreibung
Lernen Sie, wie Sie Clusteranalysen durchführen
Clusteranalyse ist ein leistungsstarkes Werkzeug im Data-Science-Werkzeugkasten. Es wird verwendet, um Gruppen von Beobachtungen (Clustern) zu finden, die ähnliche Merkmale aufweisen. Diese Ähnlichkeiten können alle Arten von Geschäftsentscheidungen beeinflussen; im Marketing wird sie beispielsweise verwendet, um unterschiedliche Kundengruppen zu identifizieren, für die Werbung maßgeschneidert werden kann.Hierarchische und K-Means-Clustering-Techniken erkunden
In diesem Kurs lernen Sie zwei häufig verwendete Clustering-Methoden kennen – hierarchisches Clustering und K-Means-Clustering. Sie lernen nicht nur, wie Sie diese Methoden anwenden, sondern entwickeln auch ein fundiertes Gespür dafür, wie sie funktionieren und wie ihre Ergebnisse zu interpretieren sind. Du entwickelst dieses Gespür, indem du drei verschiedene Datensätze untersuchst: Positionen von Fußballspielern, Daten zu den Ausgaben von Großhandelskunden und longitudinale Daten zu Berufslohndaten.Schärfen Sie Ihre Fähigkeiten mit einer praxisnahen Fallstudie
Sie schließen den Kurs ab, indem Sie Ihre neuen Fähigkeiten auf eine Fallstudie anwenden, die sich mit durchschnittlichen Gehältern und deren Entwicklung im Laufe der Zeit befasst. Dies kombiniert hierarchische Clustering-Techniken wie Besetzungsbäume, die Vorbereitung für die Exploration und das Plotten von Berufsclustern mit K-Means-Techniken, einschließlich Elbow-Analyse und durchschnittlicher Silhouettenbreiten.DataCamp-Kurse bestehen aus einer Mischung aus Videos, Artikeln und Übungsaufgaben, damit Sie die Möglichkeit haben, Ihre neu erworbenen Fähigkeiten zu testen und zu festigen, sodass Sie sich sicher fühlen, sie auch außerhalb eines Kurses anzuwenden.
Voraussetzungen
Lernprogramm
Kursübersicht
1
Abstände zwischen Beobachtungen berechnen
Die Clusteranalyse sucht nach Gruppen von Beobachtungen, die einander ähnlich sind, während sich die gefundenen Gruppen voneinander unterscheiden. Diese Ähnlichkeit bzw. Unterschiedlichkeit wird durch das Maß „Distanz" erfasst. In diesem Kapitel lernst du, wie du die Distanz zwischen Beobachtungen für sowohl kontinuierliche als auch kategoriale Merkmale berechnest. Außerdem entwickelst du ein Gefühl dafür, wie die Skalierung deiner Merkmale die Distanz beeinflussen kann.
- Was ist Clusteranalyse?50 XP
- Wann clustern?50 XP
- Distanz zwischen zwei Beobachtungen50 XP
- Distanz zwischen zwei Spielern berechnen und plotten100 XP
- Die Funktion dist() verwenden100 XP
- Wer sind die nächsten Spieler?50 XP
- Die Bedeutung der Skalierung50 XP
- Auswirkungen der Skalierung100 XP
- Wann Daten skalieren?50 XP
- Distanzen für kategoriale Daten messen50 XP
- Distanz zwischen kategorialen Variablen berechnen100 XP
- Die nächstgelegene Beobachtung zu einem Paar50 XP
2
Hierarchisches Clustering
Dieses Kapitel hilft dir, die letzte Frage aus Kapitel 1 zu beantworten – wie findest du mithilfe der berechneten Distanzen Gruppen ähnlicher Beobachtungen (Cluster) in deinen Daten? Du lernst die grundlegenden Prinzipien des hierarchischen Clustering kennen – die Linkage-Kriterien und das Dendrogramm – und wie beides zum Aufbau von Clustern genutzt wird. Zudem untersuchst du Daten eines Großhändlers, um mithilfe des Ausgabeverhaltens eine Marktsegmentierung der Kundschaft durchzuführen.
3
k-means-Clustering
In diesem Kapitel entwickelst du ein Verständnis für die Prinzipien hinter dem k-means-Algorithmus, lernst, wie du das passende k auswählst, wenn es nicht vorab bekannt ist, und betrachtest die Großhandelsdaten aus einer anderen Perspektive.
4
Fallstudie: Nationaler beruflicher Durchschnittslohn
In diesem Kapitel wendest du die erlernten Fähigkeiten an, um zu untersuchen, wie sich die Durchschnittslöhne in verschiedenen Berufen im Zeitverlauf verändert haben.
R
Clusteranalyse in R
Kurs
abgeschlossen
