Algoritmus k-means je jedním z nejrozšířenějších přístupů ke clusteringu. Zjistíš, jak funguje pod pokličkou, naučíš se ho implementovat v R, vizualizovat a interpretovat výsledky a vybírat počet clusterů, když ho předem neznáš. Na konci kapitoly použiješ k-means clustering na skutečná data z praxe!

Vítej v kurzu!

Rozpoznej úlohy vhodné pro clustering

Úvod do shlukování metodou k-means

Shlukování metodou k-means

Výsledky funkce kmeans()

Vizualizace a interpretace výsledků funkce kmeans()

Jak funguje k-means a praktické záležitosti

Práce s náhodnými algoritmy

Výběr počtu clusterů

Seznámení s daty o Pokémonech

Praktické záležitosti: práce s reálnými daty

Opakování k-means clusteringu

Učení bez učitele v R

Hierarchické shlukování je další oblíbená metoda clusteringu. Cílem této kapitoly je vysvětlit, jak funguje, jak ho používat a čím se liší od k-means clusteringu.

Úvod do hierarchického shlukování

Hierarchické shlukování s výsledky

Interpretace dendrogramu

Řezání dendrogramu

Propojování shluků a praktické záležitosti

Metody propojení

Porovnání metod propojení

Praktické záležitosti: škálování

Porovnání kmeans() a hclust()

Shrnutí hierarchického shlukování

Hierarchické shlukování

Analýza hlavních komponent, neboli PCA, je běžný přístup k redukci dimenzionality. Přesně pochopíš, co PCA dělá, naučíš se vizualizovat výsledky pomocí biplotů a scree plotů a vypořádáš se s praktickými otázkami, jako je centrování a škálování dat před samotnou analýzou.

Úvod do PCA

PCA pomocí prcomp()

Výsledky PCA

Další výsledky PCA

Vizualizace a interpretace výsledků PCA

Interpretace biplotů (1)

Interpretace biplotů (2)

Vysvětlený rozptyl

Vizualizace vysvětlené variance

Praktické otázky při PCA

Praktické otázky: škálování

Další využití PCA a shrnutí

Redukce dimenzionality pomocí PCA

Cílem této kapitoly je provést tě kompletní analýzou s využitím technik učení bez učitele, které jsme probírali v prvních třech kapitolách. Rozšíříš své znalosti tím, že propojíš PCA jako předběžný krok se clusteringem – a to na datech z měření buněčných jader lidských nádorů prsu.

Úvod do případové studie

Příprava dat

Průzkumná analýza dat

Provádění PCA

Interpretace výsledků PCA

Shrnutí PCA a další kroky

Hierarchické shlukování dat z případové studie

Výsledky hierarchického shlukování

Výběr počtu shluků

Shlukování metodou k-means a porovnání výsledků

Shlukování na základě výsledků PCA

Shrnutí a opakování

Vše dohromady: případová studie

Wisconsin breast cancer data

Pokemon data

V oblasti strojového učení je cílem často nacházet vzory v datech, aniž bychom se snažili cokoliv předpovídat. Tomu říkáme učení bez učitele. Typickým příkladem je seskupování zákazníků podle demografických údajů a nákupní historie za účelem cílených marketingových kampaní. Dalším příkladem může být snaha popsat neměřené faktory, které nejvíce ovlivňují rozdíly v kriminalitě mezi městy. Tento kurz nabízí základní úvod do clusteringu a redukce dimenzionality v R z pohledu strojového učení – tak abys od dat k poznatkům dospěl/a co nejrychleji.


Introduction to R

Kurz představuje základy shlukování a redukce dimenzí v R pro rychlé získání poznatků.

Unsupervised Learning in R

Tento kurz nabízí úvod do clusteringu a redukce dimenzionality v R z pohledu strojového učení.

Opakování k-means clusteringu

Create Your Free Account