După ce am parcurs aceste cursuri, mă simt încrezător să creez vizualizări și tablouri de bord profesionale
Shoebur RahmanSpecialist în achiziții, Giz Bangladesh
Descrierea cursului
De multe ori în machine learning, scopul este de a descoperi tipare în date fără a face predicții. Aceasta se numește învățare nesupervizată. Un caz frecvent de utilizare este gruparea consumatorilor pe baza datelor demografice și a istoricului de cumpărături, pentru a lansa campanii de marketing direcționate. Un alt exemplu este identificarea factorilor nemăsurați care influențează cel mai mult diferențele de criminalitate dintre orașe. Acest curs oferă o introducere de bază în clustering și reducerea dimensionalității în R, dintr-o perspectivă de machine learning, astfel încât să poți trece rapid de la date la concluzii.
Cerințe prealabile
Programă
Planul cursului
1
Învățare nesupervizată în R
Algoritmul k-means este una dintre cele mai populare abordări pentru clustering. Vei înțelege cum funcționează algoritmul în detaliu, vei implementa k-means clustering în R, vei vizualiza și interpreta rezultatele și vei selecta numărul de clustere atunci când acesta nu este cunoscut dinainte. La finalul capitolului, vei aplica k-means clustering pe un set de date „din lumea reală"!
- Bun venit la curs!50 XP
- Identifică problemele de grupare50 XP
- Introducere în clustering k-means50 XP
- Clusterizare k-means100 XP
- Rezultatele funcției kmeans()100 XP
- Vizualizarea și interpretarea rezultatelor kmeans()100 XP
- Cum funcționează k-means și aspecte practice50 XP
- Gestionarea algoritmilor aleatori100 XP
- Selectarea numărului de clustere100 XP
- Introducere în datele Pokémon50 XP
- Aspecte practice: lucrul cu date reale100 XP
- Recapitulare: clustering k-means50 XP
2
Clustering ierarhic
Clustering-ul ierarhic este o altă metodă populară de grupare a datelor. Scopul acestui capitol este să explice cum funcționează, cum se utilizează și cum se compară cu k-means clustering.
3
Reducerea dimensionalității cu PCA
Analiza componentelor principale, sau PCA, este o abordare frecvent utilizată pentru reducerea dimensionalității. Vei înțelege exact ce face PCA, vei vizualiza rezultatele cu biplots și scree plots și vei gestiona aspecte practice precum centrarea și scalarea datelor înainte de a aplica PCA.
4
Aplicație completă: un studiu de caz
Scopul acestui capitol este să te ghideze printr-o analiză completă folosind tehnicile de învățare nesupervizată din primele trei capitole. Vei aprofunda ce ai învățat combinând PCA ca pas de preprocesare pentru clustering, pe un set de date cu măsurători ale nucleelor celulare din mase mamare umane.
R
Învățare nesupervizată în R
Curs
finalizat
