ข้ามไปยังเนื้อหาหลัก

หน้าหลัก R

คอร์ส

Unsupervised Learning in R

ระดับกลางระดับทักษะ

อัปเดตแล้ว 07/2567

This course provides an intro to clustering and dimensionality reduction in R from a machine learning perspective.

เริ่มคอร์สฟรี

RMachine Learning

4 ชม.

16 วิดีโอ

49 แบบฝึกหัด

3,600 XP

55,030

ใบรับรองความสำเร็จ

สร้างบัญชีฟรีของคุณ

ดำเนินการต่อด้วย Google แสดงตัวเลือกเพิ่มเติม

หรือ

การดำเนินการต่อหมายความว่าคุณยอมรับข้อกำหนดการใช้งาน และนโยบายความเป็นส่วนตัวของเรา รวมถึงการจัดเก็บข้อมูลของคุณในสหรัฐอเมริกา

เป็นที่รักของผู้เรียนในบริษัทหลายพันแห่ง

กำลังฝึกอบรมทีม?

ลองใช้สำหรับธุรกิจ

คำอธิบายคอร์ส

Many times in machine learning, the goal is to find patterns in data without trying to make predictions. This is called unsupervised learning. One common use case of unsupervised learning is grouping consumers based on demographics and purchasing history to deploy targeted marketing campaigns. Another example is wanting to describe the unmeasured factors that most influence crime differences between cities. This course provides a basic introduction to clustering and dimensionality reduction in R from a machine learning perspective, so that you can get from data to insights as quickly as possible.

ข้อกำหนดเบื้องต้น

Introduction to R

1

Unsupervised learning in R

The k-means algorithm is one common approach to clustering. Learn how the algorithm works under the hood, implement k-means clustering in R, visualize and interpret the results, and select the number of clusters when it's not known ahead of time. By the end of the chapter, you'll have applied k-means clustering to a fun "real-world" dataset!

Welcome to the course!

Identify clustering problems

Introduction to k-means clustering

k-means clustering

Results of kmeans()

Visualizing and interpreting results of kmeans()

How k-means works and practical matters

Handling random algorithms

Selecting number of clusters

Introduction to the Pokemon data

Practical matters: working with real data

Review of k-means clustering

เริ่มบท

2

Hierarchical clustering

Hierarchical clustering is another popular method for clustering. The goal of this chapter is to go over how it works, how to use it, and how it compares to k-means clustering.

Introduction to hierarchical clustering

Hierarchical clustering with results

Selecting number of clusters

Interpreting dendrogram

Cutting the tree

Clustering linkage and practical matters

Linkage methods

Comparing linkage methods

Practical matters: scaling

Comparing kmeans() and hclust()

Review of hierarchical clustering

เริ่มบท

3

Dimensionality reduction with PCA

Principal component analysis, or PCA, is a common approach to dimensionality reduction. Learn exactly what PCA does, visualize the results of PCA with biplots and scree plots, and deal with practical issues such as centering and scaling the data before performing PCA.

Introduction to PCA

PCA using prcomp()

Results of PCA

Additional results of PCA

Visualizing and interpreting PCA results

Interpreting biplots (1)

Interpreting biplots (2)

Variance explained

Visualize variance explained

Practical issues with PCA

Practical issues: scaling

Additional uses of PCA and wrap-up

เริ่มบท

4

Putting it all together with a case study

The goal of this chapter is to guide you through a complete analysis using the unsupervised learning techniques covered in the first three chapters. You'll extend what you've learned by combining PCA as a preprocessing step to clustering using data that consist of measurements of cell nuclei of human breast masses.

Introduction to the case study

Preparing the data

Exploratory data analysis

Performing PCA

Interpreting PCA results

Variance explained

PCA review and next steps

Communicating PCA results

Hierarchical clustering of case data

Results of hierarchical clustering

Selecting number of clusters

k-means clustering and comparing results

Clustering on PCA results

Wrap-up and review

เริ่มบท

Unsupervised Learning in R

คอร์สเสร็จสมบูรณ์

รับใบรับรองความสำเร็จ

เพิ่มใบรับรองนี้ไปยังโปรไฟล์ LinkedIn เรซูเม่ หรือ CV ของคุณ
แชร์บน social media และในการรีวิวผลการปฏิบัติงานของคุณลงทะเบียนทันที

สำหรับธุรกิจ

ฝึกอบรม 2 คนขึ้นไปหรือไม่?

ให้ทีมของคุณเข้าถึงแพลตฟอร์ม DataCamp เต็มรูปแบบ รวมถึงฟีเจอร์ทั้งหมด

ในเส้นทางการเรียนต่อไปนี้

นักวิทยาศาสตร์ข้อมูลระดับผู้ช่วย ใน Rการรับรอง

พื้นฐานการเรียนรู้ของเครื่อง ใน R

นักวิทยาศาสตร์แมชชีนเลิร์นนิง ใน R

ผู้สอน

Hank Roark

Hank Roark

Senior Data Scientist, Boeing

ผู้ร่วมงาน

คอร์ส แหล่งข้อมูล

Wisconsin breast cancer dataชุดข้อมูล

Pokemon dataชุดข้อมูล

ร่วมกับผู้เรียนกว่า 19 ล้านคนและเริ่มต้น Unsupervised Learning in R วันนี้!

สร้างบัญชีฟรีของคุณ

ดำเนินการต่อด้วย Google แสดงตัวเลือกเพิ่มเติม

หรือ

การดำเนินการต่อหมายความว่าคุณยอมรับข้อกำหนดการใช้งาน และนโยบายความเป็นส่วนตัวของเรา รวมถึงการจัดเก็บข้อมูลของคุณในสหรัฐอเมริกา

พัฒนาทักษะด้านข้อมูลของคุณด้วย DataCamp for Mobile

พัฒนาทักษะได้ทุกที่ทุกเวลาด้วยคอร์สเรียนบนมือถือและแบบฝึกหัดเขียนโค้ดประจำวัน 5 นาทีของเรา