Chuyển đến nội dung chính

Khóa học

Học không giám sát với R

Trung cấpTrình độ kỹ năng

Đã cập nhật tháng 07, 2024

Bắt Đầu Khóa Học Miễn Phí

RMachine Learning

4 gio

16 video

49 Bài tập

3,600 XP

54,942

Giấy chứng nhận Thành tích

Được người học tại hàng ngàn công ty yêu thích

Đào tạo một đội ngũ?

Dùng thử cho Doanh nghiệp

Mô tả khóa học

Nhiều khi trong Machine Learning, mục tiêu là tìm mẫu (pattern) trong dữ liệu mà không cố gắng dự đoán. Đó là học không giám sát. Một trường hợp sử dụng phổ biến là nhóm người tiêu dùng theo nhân khẩu học và lịch sử mua sắm để triển khai các chiến dịch tiếp thị nhắm mục tiêu. Ví dụ khác là mô tả các yếu tố chưa đo lường được nhưng ảnh hưởng nhiều nhất đến khác biệt về tỷ lệ tội phạm giữa các thành phố. Khóa học này giới thiệu căn bản về phân cụm và giảm chiều dữ liệu trong R từ góc nhìn Machine Learning, giúp bạn đi từ dữ liệu đến insight nhanh nhất có thể.

Điều kiện tiên quyết

Introduction to R

1

Học không giám sát trong R

Thuật toán k-means là một cách tiếp cận phổ biến để phân cụm. Học cách thuật toán hoạt động bên trong, triển khai k-means trong R, trực quan hóa và diễn giải kết quả, và chọn số cụm khi chưa biết trước. Kết thúc chương, bạn sẽ áp dụng k-means vào một bộ dữ liệu “thực tế” thú vị!

Chào mừng bạn đến với khóa học!

Nhận diện các bài toán phân cụm

Giới thiệu về phân cụm k-means

Phân cụm k-means

Kết quả của kmeans()

Trực quan hóa và diễn giải kết quả của kmeans()

Cách k-means hoạt động và những điểm thực hành cần lưu ý

Xử lý các thuật toán ngẫu nhiên

Chọn số cụm

Giới thiệu về dữ liệu Pokemon

Những vấn đề thực tế: làm việc với dữ liệu thật

Ôn tập về phân cụm k-means

Bắt Đầu Chương

2

Phân cụm phân cấp (Hierarchical clustering)

Phân cụm phân cấp là một phương pháp phân cụm phổ biến khác. Mục tiêu của chương này là trình bày cách nó hoạt động, cách sử dụng, và so sánh với phân cụm k-means.

Giới thiệu về phân cụm phân cấp

Phân cụm phân cấp với kết quả

Chọn số cụm

Diễn giải dendrogram

Cắt cây phân cấp

Liên kết phân cụm và các vấn đề thực tiễn

Phương pháp liên kết

So sánh các phương pháp liên kết (linkage)

Vấn đề thực hành: chuẩn hóa (scaling)

So sánh kmeans() và hclust()

Ôn tập về phân cụm phân cấp

Bắt Đầu Chương

3

Giảm chiều với PCA

Phân tích thành phần chính (Principal Component Analysis, PCA) là cách tiếp cận thường dùng để giảm chiều. Học chính xác PCA làm gì, trực quan hóa kết quả PCA với biplot và scree plot, và xử lý các vấn đề thực tế như chuẩn hóa tâm (centering) và chuẩn hóa tỉ lệ (scaling) dữ liệu trước khi thực hiện PCA.

Giới thiệu về PCA

PCA với prcomp()

Kết quả PCA

Các kết quả bổ sung của PCA

Trực quan hóa và diễn giải kết quả PCA

Diễn giải biplot (1)

Diễn giải biplot (2)

Phương sai được giải thích

Trực quan hóa phương sai giải thích

Các vấn đề thực tiễn với PCA

Vấn đề thực tiễn: chuẩn hóa (scaling)

Ứng dụng bổ sung của PCA và phần tổng kết

Bắt Đầu Chương

4

Tổng hợp qua một nghiên cứu tình huống

Mục tiêu của chương này là hướng dẫn bạn thực hiện một phân tích trọn vẹn bằng các kỹ thuật học không giám sát đã học ở ba chương đầu. Bạn sẽ mở rộng kiến thức bằng cách kết hợp PCA như bước tiền xử lý cho phân cụm, sử dụng dữ liệu gồm các phép đo nhân tế bào của khối u vú ở người.

Giới thiệu về nghiên cứu tình huống

Chuẩn bị dữ liệu

Phân tích khám phá dữ liệu

Thực hiện PCA

Diễn giải kết quả PCA

Phần phương sai được giải thích

Ôn tập PCA và bước tiếp theo

Truyền đạt kết quả PCA

Phân cụm phân cấp cho dữ liệu nghiên cứu tình huống

Kết quả của phân cụm phân cấp

Chọn số lượng cụm

Phân cụm k-means và so sánh kết quả

Phân cụm trên kết quả PCA

Tổng kết và ôn tập

Bắt Đầu Chương

Học không giám sát với R

Hoàn
Thành

Nhận Giấy Chứng Nhận Hoàn Thành

Thêm chứng chỉ này vào hồ sơ LinkedIn, CV hoặc sơ yếu lý lịch của ban
Chia sẻ trên mạng xã hội và trong đánh giá hiệu suất của banĐăng ký ngay

Tham gia cùng hơn 19 triệu học viên và bắt đầu Học không giám sát với R ngay hôm nay!

Phát triển kỹ năng dữ liệu với DataCamp cho thiết bị di động

Tiến bộ mọi lúc mọi nơi với các khóa học cho thiết bị di động và thử thách lập trình 5 phút hằng ngày.