Ana içeriğe atla

Kurs

R ile Denetimsiz Öğrenme

Orta SeviyeBeceri Seviyesi

Güncel 07.2024

Bu ders, makine öğrenimi perspektifinden R'da kümeleme ve boyut indirgemesine giriş sağlar.

Kursa Ücretsiz Başlayın

RMachine Learning

4 sa

16 video

49 Egzersiz

3,600 XP

54,942

Başarı Belgesi

Binlerce şirketten öğrencinin sevgisini kazandı

Bir Ekibi Eğitiyor musunuz?

İşletmeler için deneyin

Kurs Açıklaması

Makine öğreniminde çoğu zaman amaç, tahmin yapmadan verideki örüntüleri bulmaktır. Buna denetimsiz öğrenme denir. Denetimsiz öğrenmenin yaygın bir kullanım alanı, hedefli pazarlama kampanyaları yürütmek için tüketicileri demografi ve satın alma geçmişine göre gruplamaktır. Bir başka örnek de şehirler arasındaki suç farklılıklarını en çok etkileyen, ölçülmemiş faktörleri açıklamaktır. Bu kurs, makine öğrenimi perspektifinden R ile kümeleme ve boyut indirgeme konularına temel bir giriş sunar; böylece veriden içgörüye olabildiğince hızlı ilerleyebilirsin.

Önkoşullar

Introduction to R

1

R ile denetimsiz öğrenme

k-means algoritması, kümelemede yaygın bir yaklaşımdır. Algoritmanın arka planda nasıl çalıştığını öğren, R'de k-means kümelemeyi uygula, sonuçları görselleştirip yorumla ve küme sayısı önceden bilinmediğinde nasıl seçeceğini keşfet. Bölümün sonunda, k-means kümelemeyi eğlenceli bir “gerçek dünya” veri kümesine uygulamış olacaksın!

Kursa hoş geldin!

Kümelendirme problemlerini belirle

k-means kümelemeye giriş

k-means kümeleme

kmeans() sonuçları

kmeans() sonuçlarını görselleştirme ve yorumlama

k-means nasıl çalışır ve pratik konular

Rastgele çalışan algoritmalarla başa çıkma

Küme sayısını seçme

Pokemon verisine giriş

Pratik konular: gerçek verilerle çalışmak

k-means kümelemeye genel bakış

Bölümü Başlat

2

Hiyerarşik kümeleme

Hiyerarşik kümeleme, kümeleme için bir başka popüler yöntemdir. Bu bölümün hedefi, nasıl çalıştığını, nasıl kullanılacağını ve k-means kümelemesiyle nasıl karşılaştırıldığını ele almaktır.

Hiyerarşik kümelemeye giriş

Sonuçlarla hiyerarşik kümeleme

Küme sayısını seçme

Dendrogramı yorumlama

Ağacı kesmek

Kümeleme bağlama yöntemleri ve pratik konular

Bağlama (linkage) yöntemleri

Bağlantı (linkage) yöntemlerini karşılaştırma

Pratik konular: ölçekleme

kmeans() ve hclust() karşılaştırması

Hiyerarşik kümelemenin gözden geçirilmesi

Bölümü Başlat

3

PCA ile boyut indirgeme

Temel bileşen analizi (PCA), boyut indirgeme için yaygın bir yaklaşımdır. PCA'nın tam olarak ne yaptığını öğren, biplot ve scree plot ile PCA sonuçlarını görselleştir, ayrıca PCA uygulamadan önce veriyi ortalama etrafında merkezleme ve ölçekleme gibi pratik konuları ele al.

PCA'ya Giriş

prcomp() kullanarak PCA

PCA sonuçları

PCA'nın ek sonuçları

PCA sonuçlarını görselleştirme ve yorumlama

İki eksenli grafiklerin yorumlanması (1)

Biplot'ları yorumlama (2)

Açıklanan varyans

Açıklanan varyansı görselleştir

PCA ile ilgili pratik konular

Pratik konular: ölçekleme

PCA’nın ek kullanım alanları ve kapanış

Bölümü Başlat

4

Bir vaka çalışmasıyla hepsini birleştirmek

Bu bölümün amacı, ilk üç bölümde ele alınan denetimsiz öğrenme tekniklerini kullanarak baştan sona bir analizde sana rehberlik etmektir. İnsan meme kitlelerinin hücre çekirdeği ölçümlerinden oluşan veriler üzerinde, kümelemeden önce bir ön işleme adımı olarak PCA'yı kullanarak öğrendiklerini bir adım ileri taşıyacaksın.

Vaka çalışmasına giriş

Veriyi hazırlama

Keşifsel veri analizi

PCA uygulama

PCA sonuçlarını yorumlama

Açıklanan varyans

PCA gözden geçirme ve sonraki adımlar

PCA sonuçlarını aktarma

Vaka verilerinde hiyerarşik kümeleme

Hiyerarşik kümelemenin sonuçları

Küme sayısını seçme

k-means kümeleme ve sonuçları karşılaştırma

PCA sonuçları üzerinde kümeleme

Kapanış ve gözden geçirme

Bölümü Başlat

R ile Denetimsiz Öğrenme

Kurs
Tamamlandı

Başarı Belgesi Kazanın

Bu kimlik bilgisini LinkedIn profilinize, özgeçmişinize veya CV'nize ekleyin
Sosyal medyada ve performans incelemenizde paylaşınŞimdi kaydolun

Bugün 19 milyondan fazla öğrenciye katılın ve R ile Denetimsiz Öğrenme eğitimine başlayın!

DataCamp for Mobile ile veri becerilerinizi geliştirin

Mobil kurslarımız ve günde 5 dakikalık kodlama görevlerimizle hareket halindeyken ilerleme kaydedin.