Lewati ke konten utama

Kursus

Unsupervised Learning di R

MenengahTingkat Keterampilan

Diperbarui 07/2024

Kursus ini memberikan pengenalan tentang clustering dan pengurangan dimensi dalam R dari perspektif machine learning.

Mulai Kursus Gratis

RMachine Learning

4 jam

16 videos

49 Latihan

3,600 XP

54,942

Pernyataan Pencapaian

Dipercaya oleh para pelajar di ribuan perusahaan

Melatih Tim?

Coba untuk Bisnis

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.

Persyaratan

Introduction to R

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!

Identifikasi masalah clustering

Pengenalan pengelompokan k-means

Pengelompokan k-means

Hasil dari kmeans()

Memvisualisasikan dan menafsirkan hasil kmeans()

Cara kerja k-means dan hal-hal praktis

Menangani algoritme acak

Memilih jumlah klaster

Pengantar data Pokemon

Hal-hal praktis: bekerja dengan data nyata

Tinjauan k-means clustering

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.

Pengantar pengelompokan hierarkis

Pengelompokan hierarkis dengan hasil

Memilih jumlah klaster

Menafsirkan dendrogram

Memotong pohon

Keterkaitan clustering dan hal-hal praktis

Metode linkage

Membandingkan metode linkage

Hal praktis: penskalaan

Membandingkan kmeans() dan hclust()

Tinjauan pengelompokan hierarkis

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.

Pengantar PCA

PCA menggunakan prcomp()

Hasil tambahan dari PCA

Memvisualisasikan dan menafsirkan hasil PCA

Menafsirkan biplot (1)

Menafsirkan biplot (2)

Varians yang dijelaskan

Visualisasikan ragam yang dijelaskan

Isu praktis pada PCA

Isu praktis: penskalaan

Kegunaan tambahan PCA dan rangkuman

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.

Pengantar studi kasus

Menyiapkan data

Analisis data eksploratori

Melakukan PCA

Menafsirkan hasil PCA

Varians yang dijelaskan

Ulasan PCA dan langkah selanjutnya

Mengkomunikasikan hasil PCA

Klasterisasi hierarkis pada data studi kasus

Hasil pengelompokan hierarkis

Memilih jumlah klaster

Klasterisasi k-means dan membandingkan hasil

Clustering pada hasil PCA

Ringkasan dan tinjauan

Unsupervised Learning di R

Kursus
Selesai

Memperoleh Surat Keterangan Prestasi

Tambahkan kredensial ini ke profil LinkedIn, resume, atau CV Anda
Bagikan di media sosial dan dalam penilaian kinerja AndaDaftar sekarang

Bergabung dengan 19 juta pelajar dan mulai Unsupervised Learning di R Hari Ini!

Kembangkan keterampilan data Anda dengan DataCamp untuk Mobile

Buat kemajuan di mana saja dengan kursus mobile kami dan tantangan coding harian 5 menit.