The k-means algorithm is one common approach to clustering. Learn how the algorithm works under the hood, implement k-means clustering in R, visualize and interpret the results, and select the number of clusters when it's not known ahead of time. By the end of the chapter, you'll have applied k-means clustering to a fun "real-world" dataset!

Bienvenue dans le cours !

Identifier des problèmes de clustering

Introduction au clustering k-means

Regroupement k-means

Résultats de kmeans()

Visualiser et interpréter les résultats de kmeans()

Fonctionnement de k-means et aspects pratiques

Gérer les algorithmes aléatoires

Choisir le nombre de clusters

Introduction aux données Pokémon

Aspects pratiques : travailler avec des données réelles

Révision du clustering k-means

Unsupervised learning in R

Hierarchical clustering is another popular method for clustering. The goal of this chapter is to go over how it works, how to use it, and how it compares to k-means clustering.

Introduction to hierarchical clustering

Hierarchical clustering with results

Selecting number of clusters

Interpreting dendrogram

Cutting the tree

Clustering linkage and practical matters

Linkage methods

Comparing linkage methods

Practical matters: scaling

Comparing kmeans() and hclust()

Review of hierarchical clustering

Hierarchical clustering

Principal component analysis, or PCA, is a common approach to dimensionality reduction. Learn exactly what PCA does, visualize the results of PCA with biplots and scree plots, and deal with practical issues such as centering and scaling the data before performing PCA.

Introduction to PCA

PCA using prcomp()

Results of PCA

Additional results of PCA

Visualizing and interpreting PCA results

Interpreting biplots (1)

Interpreting biplots (2)

Variance explained

Visualize variance explained

Practical issues with PCA

Practical issues: scaling

Additional uses of PCA and wrap-up

Dimensionality reduction with PCA

The goal of this chapter is to guide you through a complete analysis using the unsupervised learning techniques covered in the first three chapters. You'll extend what you've learned by combining PCA as a preprocessing step to clustering using data that consist of measurements of cell nuclei of human breast masses.

Introduction to the case study

Preparing the data

Exploratory data analysis

Performing PCA

Interpreting PCA results

PCA review and next steps

Communicating PCA results

Hierarchical clustering of case data

Results of hierarchical clustering

k-means clustering and comparing results

Clustering on PCA results

Wrap-up and review

Putting it all together with a case study

Pokemon data

Wisconsin breast cancer data

Dans de nombreux cas en Machine Learning, l’objectif est de découvrir des motifs dans les données sans chercher à faire des prédictions. C’est ce que l’on appelle l’apprentissage non supervisé. Un cas d’usage courant consiste à regrouper des consommateurs selon leur démographie et leur historique d’achats afin de mener des campagnes marketing ciblées. Autre exemple : décrire les facteurs non mesurés qui influencent le plus les différences de criminalité entre villes. Ce cours propose une introduction essentielle au clustering et à la réduction de dimension en R dans une perspective Machine Learning, pour passer des données aux insights le plus rapidement possible.


Introduction to R

Ce cours offre une introduction au clustering et à la réduction dimensionnelle en R pour des insights rapides.

Apprentissage non supervisé en R

Ce cours propose une introduction au regroupement et à la réduction de dimensionnalité dans R, dans une perspective de machine learning.

Fonctionnement de k-means et aspects pratiques

Create Your Free Account