이 강의들을 수강한 후, 전문적인 시각화와 대시보드를 자신 있게 만들 수 있게 되었습니다
Shoebur Rahman구매 담당자, Giz Bangladesh
강의 설명
클러스터 분석 수행 방법 배우기
클러스터 분석은 데이터 과학 작업대에서 강력한 도구 모음입니다. 유사한 특성을 공유하는 관측값 그룹(클러스터)을 찾는 데 사용됩니다. 이러한 유사성은 다양한 비즈니스 의사결정에 활용될 수 있습니다. 예를 들어 마케팅에서는 광고를 맞춤화할 수 있는 서로 다른 고객 그룹을 식별하는 데 사용됩니다.계층적 및 K-평균 클러스터링 기법 살펴보기
이 강의에서는 두 가지 널리 사용되는 클러스터링 방법인 계층적 클러스터링과 K-평균 클러스터링에 대해 배우게 됩니다. 이러한 방법을 사용하는 법만 배우는 것이 아니라, 이들이 어떻게 작동하는지와 그 결과를 어떻게 해석해야 하는지에 대한 탄탄한 직관도 함께 쌓게 됩니다. 축구 선수 포지션, 도매 고객 지출 데이터, 그리고 종단적 직업 임금 데이터라는 세 가지 서로 다른 데이터세트를 탐색하며 이러한 직관을 기르게 됩니다.실습 중심 사례 연구로 실력을 갈고닦으세요
평균 급여와 그 변화 추이를 바탕으로 한 사례 연구에 새로 익힌 기술을 적용하며 강의를 마무리하게 됩니다. 이 과정에서는 직업 트리와 같은 계층적 클러스터링 기법, 탐색을 위한 준비, 직업 클러스터 그래프 작성과 함께 엘보 분석과 평균 실루엣 폭을 포함한 K-평균 기법을 다룹니다.DataCamp 강의는 동영상, 기사, 실습 문제로 구성되어 있어 새롭게 익힌 기술을 직접 시험하고 확실히 다질 수 있으며, 강의 환경 밖에서도 자신 있게 적용할 수 있습니다.
선수 과목
커리큘럼
강의 개요
1
관측치 간 거리 계산하기
군집 분석은 서로 비슷한 관측치들을 묶어 내되, 각 집단은 서로 다른 특징을 갖도록 찾는 작업이에요. 이러한 유사성과 차이는 거리라는 척도로 표현합니다. 이 장에서는 연속형과 범주형 특성에 대해 관측치 간 거리를 계산하는 방법을 배웁니다. 또한 특성의 스케일이 거리 계산에 어떤 영향을 주는지도 직관적으로 이해하게 될 거예요.
2
계층적 군집화
이 장은 1장에서 마지막으로 던졌던 질문—계산한 거리를 이용해 데이터에서 어떻게 비슷한 관측치들의 집단(클러스터)을 찾을 수 있을까?—에 답하도록 도와줍니다. 계층적 군집화의 핵심 개념인 연결 기준(linkage criteria)과 덴드로그램(dendrogram) 플롯을 배우고, 이 둘이 클러스터를 형성하는 데 어떻게 사용되는지 살펴봅니다. 또한 도매 유통업체의 데이터를 탐색하며, 고객의 지출 패턴을 이용해 시장 세분화를 수행해 볼 거예요.
3
K-means 군집화
이 장에서는 k-means 알고리즘의 원리를 이해하고, 사전에 k가 알려져 있지 않을 때 적절한 k를 선택하는 방법을 배웁니다. 그리고 도매 데이터를 다른 관점에서 다시 살펴봅니다.
4
사례 연구: 직업별 평균 임금
이 장에서는 지금까지 배운 기술을 적용해 직업별 평균 임금이 시간에 따라 어떻게 변해 왔는지 탐구합니다.
R
R로 배우는 군집 분석
강의
완료
