Build your ultimate AI agent
Kursbeskrivning
Lär dig hur du utför klusteranalys
Klusteranalys är ett kraftfullt verktyg i datavetenskapens verktygslåda. Det används för att hitta grupper av observationer (kluster) som delar liknande egenskaper. Dessa likheter kan ligga till grund för alla typer av affärsbeslut; till exempel används det inom marknadsföring för att identifiera distinkta kundgrupper som annonser kan anpassas för.Utforska hierarkiska klustringsmetoder och K-means-klustring
I den här kursen får du lära dig om två vanligt använda klustringsmetoder – hierarkisk klustring och k-means-klustring. Du kommer inte bara att lära dig hur du använder dessa metoder, du kommer att bygga upp en stark intuition för hur de fungerar och hur du tolkar deras resultat. Du kommer att utveckla denna intuition genom att utforska tre olika datamängder: fotbollsspelares positioner, data om grossistkunders utgifter och longitudinell lönedata för yrken.Förfina dina färdigheter med en praktisk fallstudie
Du avslutar kursen genom att tillämpa dina nya färdigheter på en fallstudie som utgår från genomsnittslöner och hur de har förändrats över tid. Detta kommer att kombinera hierarkiska klustringstekniker såsom yrkesträd, förberedelse för utforskning och visualisering av yrkeskluster, med k-means-tekniker inklusive elbow-analys och genomsnittliga silhuettbredder.DataCamp-kurser består av en blandning av videor, artiklar och övningsuppgifter så att du får möjlighet att testa och befästa dina nyförvärvade färdigheter, så att du känner dig trygg med att använda dem utanför kursmiljön.
Förkunskapskrav
Kursplan
Kursöversikt
1
Beräkna avstånd mellan observationer
Klusteranalys syftar till att hitta grupper av observationer som liknar varandra, men där de identifierade grupperna skiljer sig från varandra. Den här likheten och skillnaden fångas upp av måttet avstånd. I det här kapitlet lär du dig hur du beräknar avståndet mellan observationer för både kontinuerliga och kategoriska särdrag. Du utvecklar också en intuitiv förståelse för hur skalan på dina särdrag kan påverka avståndet.
- Vad är klusteranalys?50 XP
- När ska man klustra?50 XP
- Avstånd mellan två observationer50 XP
- Beräkna och visualisera avståndet mellan två spelare100 XP
- Använda funktionen dist()100 XP
- Vilka spelare står närmast varandra?50 XP
- Skalans betydelse50 XP
- Skalans betydelse100 XP
- När ska data skalas?50 XP
- Mäta avstånd för kategoriska data50 XP
- Beräkna avstånd mellan kategoriska variabler100 XP
- Den närmaste observationen till ett par50 XP
2
Hierarkisk klustring
Det här kapitlet hjälper dig att besvara den sista frågan från kapitel 1 – hur hittar du grupper av liknande observationer (kluster) i dina data med hjälp av de avstånd du har beräknat? Du lär dig om grundprinciperna bakom hierarkisk klustring – länkningskriterier och dendrogrammet – och hur båda används för att bygga kluster. Du utforskar också data från en grossistdistributör för att genomföra marknadssegmentering av kunder utifrån deras utgiftsvanor.
3
K-means-klustring
I det här kapitlet bygger du en förståelse för principerna bakom k-means-algoritmen, lär dig hur du väljer rätt k när det inte är känt på förhand, och återvänder till grossistdata från ett nytt perspektiv.
4
Fallstudie: Nationellt genomsnittslön per yrke
I det här kapitlet tillämpar du de färdigheter du har lärt dig för att utforska hur genomsnittslönen bland olika yrken har förändrats över tid.
R
Klusteranalys i R
Kurs
slutförd
