Der k-means-Algorithmus ist ein gängiger Ansatz fürs Clustering. Lerne, wie der Algorithmus unter der Haube funktioniert, implementiere k-means-Clustering in R, visualisiere und interpretiere die Ergebnisse und wähle die Anzahl der Cluster, wenn sie nicht im Voraus bekannt ist. Am Ende des Kapitels hast du k-means-Clustering auf einen spannenden „realen“ Datensatz angewendet!

Willkommen zum Kurs!

Clustering-Probleme erkennen

Einführung in das k-means-Clustering

k-means-Clustering

Ergebnisse von kmeans()

Ergebnisse von kmeans() visualisieren und interpretieren

Wie k-means funktioniert und praktische Aspekte

Zufällige Algorithmen handhaben

Anzahl der Cluster auswählen

Einführung in die Pokémon-Daten

Praxis: Arbeiten mit echten Daten

Wiederholung der k-means-Clustering-Methode

Unüberwachtes Lernen in R

Hierarchisches Clustering ist eine weitere beliebte Methode für Clustering. Das Ziel dieses Kapitels ist zu erklären, wie es funktioniert, wie du es anwendest und wie es sich im Vergleich zum k-means-Clustering schlägt.

Einführung in die hierarchische Clusterbildung

Hierarchisches Clustering mit Ergebnissen

Dendrogramm interpretieren

Den Baum schneiden

Cluster-Verknüpfung und praktische Aspekte

Linkage-Methoden

Vergleich von Linkage-Methoden

Praktisches: Skalierung

Vergleich von kmeans() und hclust()

Rückblick auf hierarchisches Clustering

Hierarchisches Clustering

Principal Component Analysis, kurz PCA (Hauptkomponentenanalyse), ist ein gängiger Ansatz zur Dimensionalitätsreduktion. Lerne genau, was PCA macht, visualisiere die Ergebnisse von PCA mit Biplots und Screeplots und gehe mit praktischen Fragen um, etwa dem Zentrieren und Skalieren der Daten vor der PCA.

Einführung in die PCA

PCA mit prcomp()

Ergebnisse der PCA

Weitere PCA-Ergebnisse

PCA-Ergebnisse visualisieren und interpretieren

Biplots interpretieren (1)

Biplots interpretieren (2)

Erklärte Varianz

Erklärte Varianz visualisieren

Praktische Fragen bei der PCA

Praxisaspekte: Skalierung

Weitere Einsatzmöglichkeiten von PCA und Abschluss

Dimensionalitätsreduktion mit PCA

Das Ziel dieses Kapitels ist, dich durch eine vollständige Analyse mit den in den ersten drei Kapiteln behandelten Methoden des unüberwachten Lernens zu führen. Du vertiefst das Gelernte, indem du PCA als Preprocessing-Schritt mit Clustering kombinierst – anhand von Daten mit Messungen von Zellkernen menschlicher Brusttumoren.

Einführung in die Fallstudie

Daten vorbereiten

Explorative Datenanalyse

PCA durchführen

PCA-Ergebnisse interpretieren

PCA-Überblick und nächste Schritte

PCA-Ergebnisse kommunizieren

Hierarchisches Clustering der Falldaten

Ergebnisse des hierarchischen Clusterings

k-means-Clustering und Ergebnisse vergleichen

Clustering auf PCA-Ergebnissen

Abschluss und Wiederholung

Alles zusammenführen mit einer Fallstudie

Pokemon data

Wisconsin breast cancer data

Oft geht es im Machine Learning darum, Muster in Daten zu finden, ohne Vorhersagen zu treffen. Das nennt man unüberwachtes Lernen. Ein häufiges Einsatzszenario ist das Gruppieren von Kundinnen und Kunden anhand von Demografie und Kaufhistorie, um gezielte Marketingkampagnen zu planen. Ein weiteres Beispiel ist der Versuch, die nicht gemessenen Faktoren zu beschreiben, die die Unterschiede in der Kriminalität zwischen Städten am stärksten beeinflussen. Dieser Kurs bietet eine grundlegende Einführung in Clustering und Dimensionalitätsreduktion in R aus der Perspektive des Machine Learning, damit du so schnell wie möglich von Daten zu Erkenntnissen gelangst.


Introduction to R

Dieser Kurs bietet eine Einführung in Clustering und Dimensionsreduktion in R für schnelle Einblicke.

Dieser Kurs bietet eine Einführung in Clustering und Dimensionsreduktion in R aus Machine-Learning-Perspektive.

Wiederholung der k-means-Clustering-Methode

Create Your Free Account