Przejdź do głównej treści

Strona główna R

Kurs

Uczenie nienadzorowane w R

ŚredniozaawansowanyPoziom umiejętności

Zaktualizowano 07.2024

Ten kurs wprowadza do klastrowania i redukcji wymiarowości w R z perspektywy uczenia maszynowego.

Zacznij kurs za darmo

RMachine Learning

4 godz.

16 filmów

49 Ćwiczeń

3,600 XP

54,933

Zaświadczenie o ukończeniu

Uwielbiany przez kursantów z tysięcy firm

Szkolisz zespół?

Wypróbuj dla firm

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

Introduction to R

1

Unsupervised learning in R

The k-means algorithm is one common approach to clustering. Learn how the algorithm works under the hood, implement k-means clustering in R, visualize and interpret the results, and select the number of clusters when it's not known ahead of time. By the end of the chapter, you'll have applied k-means clustering to a fun "real-world" dataset!

Welcome to the course!

Identify clustering problems

Introduction to k-means clustering

k-means clustering

Results of kmeans()

Visualizing and interpreting results of kmeans()

How k-means works and practical matters

Handling random algorithms

Selecting number of clusters

Introduction to the Pokemon data

Practical matters: working with real data

Review of k-means clustering

Zacznij rozdział

2

Hierarchical clustering

Hierarchical clustering is another popular method for clustering. The goal of this chapter is to go over how it works, how to use it, and how it compares to k-means clustering.

Introduction to hierarchical clustering

Hierarchical clustering with results

Selecting number of clusters

Interpreting dendrogram

Cutting the tree

Clustering linkage and practical matters

Linkage methods

Comparing linkage methods

Practical matters: scaling

Comparing kmeans() and hclust()

Review of hierarchical clustering

Zacznij rozdział

3

Dimensionality reduction with PCA

Principal component analysis, or PCA, is a common approach to dimensionality reduction. Learn exactly what PCA does, visualize the results of PCA with biplots and scree plots, and deal with practical issues such as centering and scaling the data before performing PCA.

Introduction to PCA

PCA using prcomp()

Results of PCA

Additional results of PCA

Visualizing and interpreting PCA results

Interpreting biplots (1)

Interpreting biplots (2)

Variance explained

Visualize variance explained

Practical issues with PCA

Practical issues: scaling

Additional uses of PCA and wrap-up

Zacznij rozdział

4

Putting it all together with a case study

The goal of this chapter is to guide you through a complete analysis using the unsupervised learning techniques covered in the first three chapters. You'll extend what you've learned by combining PCA as a preprocessing step to clustering using data that consist of measurements of cell nuclei of human breast masses.

Introduction to the case study

Preparing the data

Exploratory data analysis

Performing PCA

Interpreting PCA results

Variance explained

PCA review and next steps

Communicating PCA results

Hierarchical clustering of case data

Results of hierarchical clustering

Selecting number of clusters

k-means clustering and comparing results

Clustering on PCA results

Wrap-up and review

Zacznij rozdział

Uczenie nienadzorowane w R

Kurs
ukończony

Zdobądź zaświadczenie o ukończeniu

Dodaj to poświadczenie do swojego profilu LinkedIn, CV lub życiorysu
Udostępnij to w mediach społecznościowych i podczas oceny wyników pracyZapisz się teraz

Dołącz do ponad 19 milionów kursantów i zacznij Uczenie nienadzorowane w R już dziś!

Rozwijaj swoje umiejętności w zakresie danych dzięki DataCamp dla urządzeń mobilnych

Rób postępy w podróży dzięki naszym kursom mobilnym i codziennym 5-minutowym wyzwaniom kodowania.