After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Cursusbeschrijving
In Machine Learning is het doel vaak om patronen in gegevens te vinden zonder meteen voorspellingen te doen. Dat heet unsupervised learning. Een veelvoorkomend voorbeeld is het groeperen van consumenten op basis van demografie en aankoopgeschiedenis om gerichte marketingcampagnes uit te rollen. Een ander voorbeeld is het beschrijven van niet-gemeten factoren die de verschillen in criminaliteit tussen steden het meest beïnvloeden. Deze cursus geeft een basisintroductie tot clusteren en dimensionaliteitsreductie in R vanuit een Machine Learning-perspectief, zodat je zo snel mogelijk van data naar inzichten komt.
Vereisten
Curriculum
Cursusoverzicht
1
Unsupervised learning in R
Het k-means-algoritme is een veelgebruikte aanpak voor clusteren. Leer hoe het algoritme onder de motorkap werkt, implementeer k-means-clustering in R, visualiseer en interpreteer de resultaten en kies het aantal clusters wanneer dat niet vooraf bekend is. Aan het einde van dit hoofdstuk heb je k-means-clustering toegepast op een leuke ‘realistische’ gegevensset!
- Welkom bij de cursus!50 XP
- Clusteringproblemen herkennen50 XP
- Introductie tot k-means-clustering50 XP
- k-means-clustering100 XP
- Resultaten van kmeans()100 XP
- Resultaten van kmeans() visualiseren en interpreteren100 XP
- Hoe k-means werkt en praktische zaken50 XP
- Omgaan met willekeurige algoritmen100 XP
- Aantal clusters kiezen100 XP
- Introductie van de Pokemon-gegevens50 XP
- Praktische zaken: werken met echte data100 XP
- Herhaling van k-means-clustering50 XP
2
Hiërarchisch clusteren
Hiërarchisch clusteren is een andere populaire methode voor clusteren. In dit hoofdstuk leer je hoe het werkt, hoe je het gebruikt en hoe het zich verhoudt tot k-means-clustering.
3
Dimensionaliteitsreductie met PCA
Principal component analysis, of PCA, is een veelgebruikte aanpak voor dimensionaliteitsreductie. Leer precies wat PCA doet, visualiseer de resultaten van PCA met biplots en screeplots, en ga om met praktische zaken zoals het centreren en schalen van de data voordat je PCA uitvoert.
4
Alles samenbrengen met een casestudy
In dit hoofdstuk doorloop je een complete analyse met de unsupervised learning-technieken uit de eerste drie hoofdstukken. Je bouwt daarop voort door PCA te combineren als preprocessing-stap voor clusteren, met gegevens die bestaan uit metingen van celkernen van menselijke borsttumoren.
R
Unsupervised learning in R
Cursus
voltooid
