50 % de descuento en DataCamp Premium. Más de 700 cursos a mitad de precio. Empieza a aprender hoy.
Descripción del curso
Muchas veces, en Machine Learning, el objetivo es encontrar patrones en los datos sin intentar hacer predicciones. A esto se le llama aprendizaje no supervisado. Un caso de uso frecuente es agrupar consumidores según su demografía e historial de compras para lanzar campañas de marketing segmentadas. Otro ejemplo es describir los factores no medidos que más influyen en las diferencias de criminalidad entre ciudades. Este curso ofrece una introducción básica al clustering y a la reducción de dimensionalidad en R desde la perspectiva de Machine Learning, para que puedas pasar de los datos a las conclusiones lo antes posible.
Requisitos previos
Programa de formación
Esquema del curso
1
Aprendizaje no supervisado en R
El algoritmo k-means es un enfoque común para el clustering. Aprende cómo funciona por dentro, implementa k-means en R, visualiza e interpreta los resultados y elige el número de clústeres cuando no se conoce de antemano. Al final del capítulo, habrás aplicado k-means a un conjunto de datos «del mundo real» muy entretenido.
- ¡Bienvenido al curso!50 XP
- Identifica problemas de clustering50 XP
- Introducción al clustering k-means50 XP
- Agrupación k-means100 XP
- Resultados de kmeans()100 XP
- Visualizar e interpretar los resultados de kmeans()100 XP
- Cómo funciona k-means y aspectos prácticos50 XP
- Gestionar algoritmos aleatorios100 XP
- Selección del número de clústeres100 XP
- Introducción a los datos de Pokémon50 XP
- Cuestiones prácticas: trabajar con datos reales100 XP
- Repaso del clustering k-means50 XP
2
Clustering jerárquico
El clustering jerárquico es otro método popular de clustering. El objetivo de este capítulo es repasar cómo funciona, cómo usarlo y cómo se compara con k-means.
3
Reducción de dimensionalidad con PCA
El análisis de componentes principales, o PCA, es una técnica habitual para la reducción de dimensionalidad. Aprende exactamente qué hace PCA, visualiza los resultados con biplots y scree plots, y afronta cuestiones prácticas como centrar y escalar los datos antes de aplicar PCA.
4
Cerrando el círculo con un estudio de caso
El objetivo de este capítulo es guiarte a través de un análisis completo usando las técnicas de aprendizaje no supervisado vistas en los tres primeros capítulos. Irás un paso más allá combinando PCA como etapa de preprocesamiento con clustering, usando datos que consisten en mediciones de núcleos celulares de masas mamarias humanas.
R
Unsupervised Learning in R
Curso
completado
