After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
코스 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.
사전 요구 사항
커리큘럼
코스 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
코스
완료
