Efter att ha gått de här kurserna känner jag mig trygg med att skapa professionella visualiseringar och dashboards
Shoebur RahmanInköpsspecialist, Giz Bangladesh
Kursbeskrivning
Inom maskininlärning är målet ofta att hitta mönster i data utan att göra förutsägelser. Det kallas oövervakad inlärning. Ett vanligt användningsfall är att gruppera konsumenter utifrån demografi och köphistorik för att rikta marknadsföringskampanjer. Ett annat exempel är att beskriva omätbara faktorer som påverkar brottsskillnader mellan städer. Den här kursen ger en grundläggande introduktion till klustring och dimensionsreduktion i R ur ett maskininlärningsperspektiv, så att du snabbt kan gå från data till insikter.
Förkunskapskrav
Kursplan
Kursöversikt
1
Oövervakad inlärning i R
K-means-algoritmen är ett vanligt sätt att klustra data. Lär dig hur algoritmen fungerar under huven, implementera k-means-klustring i R, visualisera och tolka resultaten, och välj antal kluster när det inte är känt i förväg. I slutet av kapitlet har du tillämpat k-means-klustring på ett roligt "verkligt" dataset!
- Välkommen till kursen!50 XP
- Identifiera klustringsproblem50 XP
- Introduktion till k-means-klustring50 XP
- k-means-klustring100 XP
- Resultat från kmeans()100 XP
- Visualisera och tolka resultaten från kmeans()100 XP
- Hur k-means fungerar och praktiska aspekter50 XP
- Hantera slumpmässiga algoritmer100 XP
- Välja antal kluster100 XP
- Introduktion till Pokémon-data50 XP
- Praktiska aspekter: att arbeta med verkliga data100 XP
- Repetition av k-means-klustring50 XP
2
Hierarkisk klustring
Hierarkisk klustring är en annan populär klustringsmetod. Målet med det här kapitlet är att gå igenom hur den fungerar, hur den används och hur den skiljer sig från k-means-klustring.
3
Dimensionsreduktion med PCA
Principalkomponentanalys, eller PCA, är ett vanligt sätt att reducera dimensionalitet. Lär dig exakt vad PCA gör, visualisera resultaten med biplottar och scree-plottar, och hantera praktiska frågor som centrering och skalning av data innan du utför PCA.
4
Allt ihop i en fallstudie
Målet med det här kapitlet är att guida dig genom en komplett analys med de oövervakade inlärningsmetoder som behandlades i de tre första kapitlen. Du bygger vidare på det du lärt dig genom att kombinera PCA som ett förbehandlingssteg med klustring, med data som består av mätningar av cellkärnor från mänskliga bröstvävnadsprover.
R
Oövervakad inlärning i R
Kurs
slutförd
