Po ukończeniu tych kursów czuję się pewnie w tworzeniu profesjonalnych wizualizacji i pulpitów nawigacyjnych
Shoebur RahmanSpecjalista ds. zakupów, Giz Bangladesh
Opis kursu
W uczeniu maszynowym często chodzi o znajdowanie wzorców w danych – bez dokonywania prognoz. Takie podejście nazywa się uczeniem nienadzorowanym. Jednym z typowych zastosowań jest grupowanie klientów na podstawie danych demograficznych i historii zakupów w celu prowadzenia ukierunkowanych kampanii marketingowych. Innym przykładem jest identyfikowanie ukrytych czynników, które najsilniej wpływają na różnice w poziomie przestępczości między miastami. Ten kurs stanowi praktyczne wprowadzenie do klasteryzacji i redukcji wymiarowości w R z perspektywy uczenia maszynowego – tak, abyś jak najszybciej mógł przejść od danych do wniosków.
Wymagania wstępne
Program nauczania
Plan kursu
1
Uczenie nienadzorowane w R
Algorytm k-średnich to jedno z najpopularniejszych podejść do klasteryzacji. Dowiesz się, jak działa od wewnątrz, zaimplementujesz go w R, a następnie zwizualizujesz i zinterpretujesz wyniki. Nauczysz się też wybierać liczbę klastrów, gdy nie jest ona z góry znana. Na końcu rozdziału zastosujesz k-średnie do prawdziwego zbioru danych!
- Witaj na kursie!50 XP
- Rozpoznawanie problemów grupowania50 XP
- Wprowadzenie do klasteryzacji k-średnich50 XP
- Klasteryzacja k-means100 XP
- Wyniki funkcji kmeans()100 XP
- Wizualizacja i interpretacja wyników funkcji kmeans()100 XP
- Jak działa k-means i kwestie praktyczne50 XP
- Obsługa algorytmów losowych100 XP
- Wybór liczby klastrów100 XP
- Wprowadzenie do danych Pokémon50 XP
- Kwestie praktyczne: praca z rzeczywistymi danymi100 XP
- Podsumowanie klasteryzacji k-średnich50 XP
2
Klasteryzacja hierarchiczna
Klasteryzacja hierarchiczna to kolejna popularna metoda grupowania danych. W tym rozdziale poznasz jej zasadę działania, nauczysz się jej używać i porównasz ją z algorytmem k-średnich.
3
Redukcja wymiarowości za pomocą PCA
Analiza głównych składowych, czyli PCA, to powszechnie stosowane podejście do redukcji wymiarowości. Dowiesz się dokładnie, co robi PCA, zwizualizujesz wyniki za pomocą wykresów biplot i scree plot, a także poradzisz sobie z praktycznymi kwestiami – takimi jak centrowanie i skalowanie danych przed wykonaniem analizy.
4
Studium przypadku – wszystko razem
Celem tego rozdziału jest przeprowadzenie cię przez kompletną analizę z użyciem technik uczenia nienadzorowanego omówionych w poprzednich trzech rozdziałach. Rozszerzysz zdobytą wiedzę, łącząc PCA jako krok wstępnego przetwarzania z klasteryzacją – na danych zawierających pomiary jąder komórkowych z ludzkich mas piersi.
R
Uczenie nienadzorowane w R
Kurs
ukończony
