Pular para o conteúdo principal

Curso

Aprendizado não supervisionado em R

IntermediárioNível de habilidade

Atualizado 07/2024

Este curso apresenta o agrupamento e a redução de dimensionalidade em R sob a ótica do aprendizado de máquina.

Iniciar curso gratuitamente

RMachine Learning

4 h

16 vídeos

49 Exercícios

3,600 XP

54,935

Declaração de realização

Preferido por alunos de milhares de empresas

Treinando uma equipe?

Experimente para Empresas

Descrição do curso

Muitas vezes, em Machine Learning, o objetivo é encontrar padrões nos dados sem tentar fazer previsões. Isso é chamado de aprendizado não supervisionado. Um caso de uso comum é agrupar consumidores com base em dados demográficos e histórico de compras para criar campanhas de marketing direcionadas. Outro exemplo é descrever os fatores não medidos que mais influenciam as diferenças de criminalidade entre cidades. Este curso oferece uma introdução básica a agrupamento e redução de dimensionalidade em R, com uma perspectiva de Machine Learning, para que você possa transformar dados em insights o mais rápido possível.

Pré-requisitos

Introduction to R

1

Aprendizado não supervisionado em R

O algoritmo k-means é uma abordagem comum para agrupamento. Você vai aprender como o algoritmo funciona por baixo dos panos, implementar k-means em R, visualizar e interpretar os resultados e escolher o número de grupos quando isso não é conhecido de antemão. Ao final do capítulo, você terá aplicado k-means a um conjunto de dados "do mundo real" divertido!

Bem-vindo(a) ao curso!

Identificar problemas de clustering

Introdução ao agrupamento k-means

Agrupamento k-means

Resultados de kmeans()

Visualizando e interpretando os resultados de kmeans()

Como o k-means funciona e questões práticas

Lidando com algoritmos aleatórios

Selecionando o número de clusters

Introdução aos dados de Pokémon

Questões práticas: trabalhando com dados reais

Revisão de k-means clustering

Iniciar capítulo

2

Agrupamento hierárquico

O agrupamento hierárquico é outro método popular de agrupamento. O objetivo deste capítulo é explicar como ele funciona, como usá-lo e como se compara ao k-means.

Introdução ao agrupamento hierárquico

Agrupamento hierárquico com resultados

Selecionando o número de clusters

Interpretando o dendrograma

Cortando a árvore

Ligação no clustering e aspectos práticos

Métodos de ligação

Comparando métodos de ligação

Questões práticas: padronização

Comparando kmeans() e hclust()

Revisão de agrupamento hierárquico

Iniciar capítulo

3

Redução de dimensionalidade com PCA

A análise de componentes principais, ou PCA, é uma abordagem comum para redução de dimensionalidade. Aprenda exatamente o que a PCA faz, visualize os resultados com biplots e scree plots e trate de questões práticas como centralizar e escalar os dados antes de executar a PCA.

Introdução ao PCA

PCA usando prcomp()

Resultados do PCA

Resultados adicionais da PCA

Visualizando e interpretando resultados de PCA

Interpretando biplots (1)

Interpretando biplots (2)

Variância explicada

Visualizar a variância explicada

Questões práticas com PCA

Questões práticas: padronização (scaling)

Usos adicionais de PCA e conclusão

Iniciar capítulo

4

Juntando tudo com um estudo de caso

O objetivo deste capítulo é orientar você por uma análise completa usando as técnicas de aprendizado não supervisionado abordadas nos três primeiros capítulos. Você vai avançar no que aprendeu combinando PCA como etapa de pré-processamento para agrupamento, usando dados que consistem em medições de núcleos celulares de massas mamárias humanas.

Introdução ao estudo de caso

Preparando os dados

Análise exploratória de dados

Executando PCA

Interpretando resultados de PCA

Variância explicada

Revisão de PCA e próximos passos

Comunicando resultados de PCA

Clusterização hierárquica dos dados do caso

Resultados do agrupamento hierárquico

Selecionando o número de clusters

Agrupamento k-means e comparando resultados

Agrupamento com resultados de PCA

Encerramento e revisão

Iniciar capítulo

Aprendizado não supervisionado em R

Curso
concluído

Obtenha um certificado de conclusão

Adicione esta credencial ao seu perfil do LinkedIn, currículo ou CV
Compartilhe nas redes sociais e em sua avaliação de desempenhoInscreva-se agora

Faça como mais de 19 milhões de alunos e comece Aprendizado não supervisionado em R hoje mesmo!

Desenvolva suas habilidades em dados com o app do DataCamp

Continue progredindo em qualquer lugar com nossos cursos para celular e desafios diários de programação de 5 minutos.