ข้ามไปยังเนื้อหาหลัก

Courses

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.

เริ่มเรียนหลักสูตรฟรี

RMachine Learning

4 ชม.

16 videos

49 Exercises

3,600 เอ็กซ์พี

54,822

คำแถลงแสดงความสำเร็จ

สร้างบัญชีฟรีของคุณ

หรือ

เมื่อดำเนินการต่อ คุณยอมรับข้อกำหนดการใช้งานของเรา นโยบายความเป็นส่วนตัวของเรา และยอมรับว่าข้อมูลของคุณจะถูกจัดเก็บไว้ในสหรัฐอเมริกา

เป็นที่ชื่นชอบของผู้เรียนในบริษัทหลายพันแห่ง

Training a Team?

Try for Business

คำอธิบายรายวิชา

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!

50 เอ็กซ์พี

Identify clustering problems

50 เอ็กซ์พี

Introduction to k-means clustering

50 เอ็กซ์พี

k-means clustering

100 เอ็กซ์พี

Results of kmeans()

100 เอ็กซ์พี

Visualizing and interpreting results of kmeans()

100 เอ็กซ์พี

How k-means works and practical matters

50 เอ็กซ์พี

Handling random algorithms

100 เอ็กซ์พี

Selecting number of clusters

100 เอ็กซ์พี

Introduction to the Pokemon data

50 เอ็กซ์พี

Practical matters: working with real data

100 เอ็กซ์พี

Review of k-means clustering

50 เอ็กซ์พี

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

50 เอ็กซ์พี

Hierarchical clustering with results

100 เอ็กซ์พี

Selecting number of clusters

50 เอ็กซ์พี

Interpreting dendrogram

50 เอ็กซ์พี

Cutting the tree

100 เอ็กซ์พี

Clustering linkage and practical matters

50 เอ็กซ์พี

Linkage methods

100 เอ็กซ์พี

Comparing linkage methods

50 เอ็กซ์พี

Practical matters: scaling

100 เอ็กซ์พี

Comparing kmeans() and hclust()

100 เอ็กซ์พี

Review of hierarchical clustering

50 เอ็กซ์พี

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

50 เอ็กซ์พี

PCA using prcomp()

100 เอ็กซ์พี

Results of PCA

50 เอ็กซ์พี

Additional results of PCA

50 เอ็กซ์พี

Visualizing and interpreting PCA results

50 เอ็กซ์พี

Interpreting biplots (1)

50 เอ็กซ์พี

Interpreting biplots (2)

50 เอ็กซ์พี

Variance explained

100 เอ็กซ์พี

Visualize variance explained

100 เอ็กซ์พี

Practical issues with PCA

50 เอ็กซ์พี

Practical issues: scaling

100 เอ็กซ์พี

Additional uses of PCA and wrap-up

50 เอ็กซ์พี

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

50 เอ็กซ์พี

Preparing the data

100 เอ็กซ์พี

Exploratory data analysis

50 เอ็กซ์พี

Performing PCA

100 เอ็กซ์พี

Interpreting PCA results

100 เอ็กซ์พี

Variance explained

100 เอ็กซ์พี

PCA review and next steps

50 เอ็กซ์พี

Communicating PCA results

50 เอ็กซ์พี

Hierarchical clustering of case data

100 เอ็กซ์พี

Results of hierarchical clustering

50 เอ็กซ์พี

Selecting number of clusters

100 เอ็กซ์พี

k-means clustering and comparing results

100 เอ็กซ์พี

Clustering on PCA results

100 เอ็กซ์พี

Wrap-up and review

50 เอ็กซ์พี

เริ่มบท

Unsupervised Learning in R

หลักสูตรเสร็จสมบูรณ์

ได้รับใบรับรองความสำเร็จ

เพิ่มข้อมูลรับรองนี้ลงในโปรไฟล์ LinkedIn, ประวัติย่อ หรือเรซูเม่ของคุณ
แชร์ลงในโซเชียลมีเดียและในรายงานประเมินผลการปฏิบัติงานของคุณลงทะเบียนเลย

สำหรับธุรกิจ

ฝึกอบรมบุคคลตั้งแต่ 2 คนขึ้นไป?

ให้ทีมของคุณเข้าถึงแพลตฟอร์ม DataCamp แบบเต็มรูปแบบ รวมถึงฟีเจอร์ทั้งหมด

ในแทร็กต่อไปนี้

นักวิทยาศาสตร์ข้อมูลระดับผู้ช่วย ใน Rการรับรอง

พื้นฐานการเรียนรู้ของเครื่อง ใน R

นักวิทยาศาสตร์แมชชีนเลิร์นนิง ใน R

instructors

Hank Roark

Hank Roark

Senior Data Scientist, Boeing

collaborators

Courses resources

Pokemon datadatasets

Wisconsin breast cancer datadatasets

เข้าร่วมกับ... 19 ล้านผู้เรียน และเริ่ม Unsupervised Learning in R วันนี้เลย!

สร้างบัญชีฟรีของคุณ

หรือ

เมื่อดำเนินการต่อ คุณยอมรับข้อกำหนดการใช้งานของเรา นโยบายความเป็นส่วนตัวของเรา และยอมรับว่าข้อมูลของคุณจะถูกจัดเก็บไว้ในสหรัฐอเมริกา

พัฒนาทักษะด้านข้อมูลของคุณด้วย DataCamp for Mobile

พัฒนาทักษะได้ทุกที่ทุกเวลาด้วยคอร์สเรียนบนมือถือและแบบฝึกหัดเขียนโค้ดประจำวัน 5 นาทีของเรา