Build your ultimate AI agent
Deskripsi Kursus
Sering kali dalam machine learning, tujuannya adalah menemukan pola dalam data tanpa berusaha membuat prediksi. Ini disebut unsupervised learning. Salah satu penggunaan umum unsupervised learning adalah mengelompokkan konsumen berdasarkan demografi dan riwayat pembelian untuk menjalankan kampanye pemasaran yang terarah. Contoh lainnya adalah menggambarkan faktor-faktor yang tidak terukur yang paling memengaruhi perbedaan tingkat kejahatan antarkota. Kursus ini memberikan pengenalan dasar tentang pengelompokan (clustering) dan pengurangan dimensi di R dari sudut pandang machine learning, sehingga Anda dapat beralih dari data ke wawasan secepat mungkin.
Prasyarat
Kurikulum
Garis besar kursus
1
Unsupervised learning di R
Algoritma k-means adalah salah satu pendekatan umum untuk clustering. Pelajari bagaimana algoritma ini bekerja di balik layar, terapkan clustering k-means di R, visualisasikan dan interpretasikan hasilnya, serta pilih jumlah klaster saat jumlahnya tidak diketahui sebelumnya. Pada akhir bab, Anda akan menerapkan clustering k-means pada himpunan data "dunia nyata" yang menyenangkan!
- Selamat datang di kursus ini!50 XP
- Identifikasi masalah clustering50 XP
- Pengenalan pengelompokan k-means50 XP
- Pengelompokan k-means100 XP
- Hasil dari kmeans()100 XP
- Memvisualisasikan dan menafsirkan hasil kmeans()100 XP
- Cara kerja k-means dan hal-hal praktis50 XP
- Menangani algoritme acak100 XP
- Memilih jumlah klaster100 XP
- Pengantar data Pokemon50 XP
- Hal-hal praktis: bekerja dengan data nyata100 XP
- Tinjauan k-means clustering50 XP
2
Hierarchical clustering
Hierarchical clustering adalah metode populer lainnya untuk clustering. Tujuan bab ini adalah membahas cara kerjanya, cara menggunakannya, dan bagaimana perbandingannya dengan clustering k-means.
3
Pengurangan dimensi dengan PCA
Principal component analysis, atau PCA, adalah pendekatan umum untuk pengurangan dimensi. Pelajari secara tepat apa yang dilakukan PCA, visualisasikan hasil PCA dengan biplot dan scree plot, serta tangani isu-isu praktis seperti melakukan centering dan scaling pada data sebelum menjalankan PCA.
4
Menyatukan semuanya dengan studi kasus
Tujuan bab ini adalah membimbing Anda melalui analisis lengkap menggunakan teknik unsupervised learning yang dibahas dalam tiga bab pertama. Anda akan memperluas apa yang telah dipelajari dengan menggabungkan PCA sebagai langkah prapemrosesan untuk clustering menggunakan data yang terdiri atas pengukuran inti sel dari massa payudara manusia.
R
Unsupervised Learning di R
Kursus
Selesai
