学完这些课程后，我对创建专业的可视化图表和仪表板充满信心
Shoebur Rahman采购专员，Giz Bangladesh
课程简介
在许多机器学习任务中，目标是从数据中发现模式，而不是进行预测。这就是无监督学习。无监督学习的一个常见用例是根据人口统计特征和购买历史对消费者分组，以开展定向营销活动。另一个例子是希望描述那些最能影响各城市犯罪差异的未观测因素。本课程从机器学习视角，介绍在 R 中进行聚类与降维的基础方法，帮助您尽快从数据走向洞见。
先修要求
课程体系
课程大纲
1
R 中的无监督学习
k-means 算法是常见的聚类方法之一。您将了解该算法的工作原理，在 R 中实现 k-means 聚类，可视化并解释结果，以及在事先未知时如何选择聚类数。到本章末尾，您会把 k-means 聚类应用到一个有趣的"真实世界"数据集上！
2
层次聚类
层次聚类是另一种流行的聚类方法。本章将讲解其工作机制、使用方法，以及与 k-means 聚类的对比。
3
PCA 降维
主成分分析（PCA）是常见的降维方法。您将准确理解 PCA 的作用，使用双标图和碎石图可视化 PCA 结果，并处理诸如在执行 PCA 前对数据进行中心化与标准化等实践问题。
4
案例研究：综合运用
本章将引导您使用前三章介绍的无监督学习技术完成一次完整分析。您将把 PCA 作为聚类的预处理步骤，与包含人体乳腺肿块细胞核测量值的数据结合使用，进一步拓展所学内容。
R
R 中的无监督学习
课程已完成
