Name: การวิเคราะห์กลุ่มข้อมูลใน R
Rating: 4.896103896103896 (77 reviews)

รายละเอียดคอร์ส

เรียนรู้วิธีการทำการวิเคราะห์กลุ่ม (Cluster Analysis)

การวิเคราะห์กลุ่มเป็นเครื่องมือที่ทรงพลังในชุดเครื่องมือของนักวิทยาศาสตร์ข้อมูล มันถูกใช้เพื่อค้นหากลุ่มของข้อมูล (clusters) ที่มีลักษณะคล้ายคลึงกัน ความคล้ายคลึงเหล่านี้สามารถนำมาใช้ในการตัดสินใจทางธุรกิจได้หลากหลายรูปแบบ ตัวอย่างเช่น ในด้านการตลาด ข้อมูลนี้จะช่วยระบุลูกค้ากลุ่มต่าง ๆ เพื่อให้สามารถปรับแต่งโฆษณาให้เหมาะสมกับแต่ละกลุ่มได้

สำรวจเทคนิคการจัดกลุ่มแบบลำดับชั้นและ K-Means Clustering

ในหลักสูตรนี้ คุณจะได้เรียนรู้เกี่ยวกับวิธีการจัดกลุ่มข้อมูลที่ใช้กันอย่างแพร่หลายสองวิธี ได้แก่ การจัดกลุ่มแบบลำดับชั้น (hierarchical clustering) และการจัดกลุ่มแบบ k-means (k-means clustering) คุณจะไม่ได้แค่เรียนรู้วิธีการใช้เทคนิคเหล่านี้เท่านั้น แต่ยังจะได้สร้างความเข้าใจอย่างลึกซึ้งเกี่ยวกับหลักการทำงานและการตีความผลลัพธ์ของแต่ละวิธีอีกด้วย คุณจะได้พัฒนาความเข้าใจนี้ผ่านการสำรวจชุดข้อมูลสามประเภท ได้แก่ ตำแหน่งผู้เล่นฟุตบอล ข้อมูลการใช้จ่ายของลูกค้าขายส่ง และข้อมูลค่าจ้างตามอาชีพในระยะยาว

พัฒนาทักษะของคุณด้วยกรณีศึกษาแบบลงมือปฏิบัติจริง

คุณจะจบหลักสูตรนี้ด้วยการนำทักษะใหม่ของคุณไปใช้กับกรณีศึกษาเกี่ยวกับเงินเดือนเฉลี่ยและการเปลี่ยนแปลงของเงินเดือนเหล่านั้นตลอดช่วงเวลา เนื้อหานี้จะผสมผสานเทคนิคการจัดกลุ่มแบบลำดับชั้น เช่น ต้นไม้สายอาชีพ การเตรียมข้อมูลเพื่อการสำรวจ และการสร้างกราฟกลุ่มอาชีพ ร่วมกับเทคนิค k-means ซึ่งรวมถึงการวิเคราะห์ elbow และการคำนวณค่าเฉลี่ย silhouette width

คอร์สของ DataCamp ประกอบด้วยวิดีโอ บทความ และแบบฝึกหัด เพื่อให้คุณได้ทดลองและฝึกฝนทักษะใหม่ ๆ อย่างมั่นใจ พร้อมนำไปใช้จริงนอกห้องเรียน

ข้อกำหนดเบื้องต้น

Intermediate R

หลักสูตร

โครงร่างคอร์ส

การคำนวณระยะห่างระหว่างการสังเกต

การวิเคราะห์กลุ่มข้อมูลมุ่งค้นหากลุ่มของการสังเกตที่มีความคล้ายคลึงกันภายในกลุ่ม แต่แตกต่างจากกลุ่มอื่น ความคล้ายคลึงและความแตกต่างนี้วัดด้วยค่าที่เรียกว่า ระยะห่าง (distance) ในบทนี้ จะได้เรียนรู้วิธีคำนวณระยะห่างระหว่างการสังเกตสำหรับทั้งฟีเจอร์แบบต่อเนื่องและแบบจัดหมวดหมู่ รวมถึงสร้างความเข้าใจว่าขนาดของฟีเจอร์ส่งผลต่อค่าระยะห่างอย่างไร

เริ่มบท

Hierarchical Clustering

บทนี้จะช่วยตอบคำถามสุดท้ายจากบทที่ 1 นั่นคือ จะค้นหากลุ่มของการสังเกตที่คล้ายกัน (clusters) จากค่าระยะห่างที่คำนวณไว้ได้อย่างไร จะได้เรียนรู้หลักการพื้นฐานของ hierarchical clustering ทั้งเกณฑ์การเชื่อมโยง (linkage criteria) และกราฟ dendrogram รวมถึงวิธีนำทั้งสองส่วนมาใช้สร้างกลุ่มข้อมูล นอกจากนี้ยังได้สำรวจข้อมูลจากผู้จัดจำหน่ายขายส่งเพื่อทำการแบ่งกลุ่มตลาดของลูกค้าตามพฤติกรรมการใช้จ่าย

เริ่มบท

K-means Clustering

ในบทนี้ จะสร้างความเข้าใจในหลักการของอัลกอริทึม k-means เรียนรู้วิธีเลือกค่า k ที่เหมาะสมเมื่อยังไม่ทราบค่าล่วงหน้า และกลับมาวิเคราะห์ข้อมูลขายส่งจากมุมมองใหม่