Last chance: 50% off unlimited learning
Sale ends in
Descrizione del corso
Spesso, nel machine learning, l’obiettivo è trovare schemi nei dati senza provare a fare previsioni. Questo si chiama unsupervised learning. Un caso d’uso comune è raggruppare i consumatori in base a dati demografici e cronologia degli acquisti per lanciare campagne di marketing mirate. Un altro esempio è descrivere i fattori non misurati che influenzano maggiormente le differenze di criminalità tra città. Questo corso offre un’introduzione di base al clustering e alla riduzione della dimensionalità in R da una prospettiva di machine learning, così da passare dai dati agli insight il più rapidamente possibile.
Prerequisiti
Programma
Struttura del corso
1
Unsupervised learning in R
L’algoritmo k-means è un approccio comune al clustering. Scopri come funziona dietro le quinte, implementa il clustering k-means in R, visualizza e interpreta i risultati e scegli il numero di cluster quando non è noto in anticipo. Alla fine del capitolo, avrai applicato il clustering k-means a un dataset “reale” e divertente!
- Benvenuto nel corso!50 XP
- Individua problemi di clustering50 XP
- Introduzione al clustering k-means50 XP
- Clustering k-means100 XP
- Risultati di kmeans()100 XP
- Visualizzare e interpretare i risultati di kmeans()100 XP
- Come funziona k-means e aspetti pratici50 XP
- Gestire gli algoritmi casuali100 XP
- Selezionare il numero di cluster100 XP
- Introduzione ai dati dei Pokemon50 XP
- Aspetti pratici: lavorare con dati reali100 XP
- Ripasso del clustering k-means50 XP
2
Clustering gerarchico
Il clustering gerarchico è un altro metodo molto diffuso per il clustering. L’obiettivo di questo capitolo è spiegare come funziona, come utilizzarlo e come si confronta con il clustering k-means.
3
Riduzione della dimensionalità con PCA
La principal component analysis, o PCA, è un approccio comune alla riduzione della dimensionalità. Scopri esattamente cosa fa la PCA, visualizza i risultati con biplot e scree plot e affronta aspetti pratici come il centering e lo scaling dei dati prima di eseguire la PCA.
4
Mettere tutto insieme con un caso di studio
L’obiettivo di questo capitolo è guidarti in un’analisi completa utilizzando le tecniche di unsupervised learning trattate nei primi tre capitoli. Estenderai quanto hai imparato combinando la PCA come fase di preprocessing del clustering su dati che consistono in misurazioni dei nuclei cellulari di masse mammarie umane.
R
Unsupervised Learning in R
Corso
completato
