Pemilihan jumlah klaster

Crystal mengelola operasional layanan antar makanan di Houston, Texas. Ia memiliki data lintang dan bujur untuk permintaan makanan selama sebulan terakhir. Ia ingin membuat beberapa "pusat pengantaran" baru di lokasi dengan permintaan tertinggi. Untuk itu, ia meminta seorang Machine Learning Scientist menggunakan algoritme pengelompokan untuk membagi pesanan ke dalam kelompok berdasarkan lokasinya.

Machine Learning Scientist tersebut belum yakin berapa banyak klaster yang harus dibuat. Di sebelah kanan, jalankan algoritme dengan berbagai jumlah klaster untuk melihat hasilnya.

Berapa jumlah klaster yang paling sesuai?

Latihan ini merupakan bagian dari kursus

Data Science untuk Bisnis

Latihan interaktif langsung

Ubah teori menjadi aksi dengan salah satu latihan interaktif kami

Latihan ini merupakan bagian dari kursus

Data Science untuk Bisnis

SkillTag.level.beginnerSkillTag.label

4.8+

Mulai Kursus Gratis

Kita akan memulai kursus dengan mendefinisikan apa itu data science. Kita akan membahas alur kerja data science, serta bagaimana data science diterapkan pada permasalahan bisnis nyata. Kita akan menutup bab ini dengan mempelajari cara menyusun tim data agar sesuai dengan kebutuhan organisasi Anda.

Exercise 1: Apa itu Data Science?Exercise 2: Alur Kerja Segmentasi Pelanggan Exercise 3: Membangun chatbot layanan pelanggan Exercise 4: Meningkatkan OKR Exercise 5: Penerapan Data Science Exercise 6: Menetapkan proyek data science Exercise 7: Riset investasi Exercise 8: Membangun tim data science Exercise 9: Menafsirkan sebuah sprint tim Exercise 10: Menyunting lowongan pekerjaan Exercise 11: Mencocokkan keterampilan dengan pekerjaan Exercise 12: Klasifikasi tugas data

Setelah memahami alur kerja data science, kita akan menyelami lebih dalam langkah pertama: pengumpulan data. Kita akan mempelajari berbagai sumber data yang dapat dimanfaatkan perusahaan Anda, serta cara menyimpan data tersebut setelah dikumpulkan.

Exercise 1: Sumber data dan risikonya Exercise 2: Klasifikasi data untuk keamanan Exercise 3: Membuat event data web Exercise 4: Melindungi PII Exercise 5: Data yang diminta Exercise 6: Mengidentifikasi tujuan pertanyaan Exercise 7: Memvalidasi umpan balik focus group Exercise 8: Net Promoter Score Exercise 9: Mengumpulkan data tambahan Exercise 10: Mengelompokkan sumber data Exercise 11: Frekuensi asma Exercise 12: Penyimpanan dan pengambilan data Exercise 13: Platform cloud Exercise 14: Mengkueri basis data Exercise 15: Jenis basis data yang mana?

Pada bab ini, kita akan membahas cara mengeksplorasi dan memvisualisasikan data melalui dasbor. Kita akan membahas elemen-elemen sebuah dasbor dan cara membuat permintaan terarah untuk sebuah dasbor. Bab ini juga akan membahas pembuatan permintaan data ad hoc dan uji A/B, yang merupakan alat analitik yang kuat untuk mengurangi risiko dalam pengambilan keputusan.

Exercise 1: Dasbor Exercise 2: Mengklasifikasikan elemen dashboard Exercise 3: Menyempurnakan dasbor Exercise 4: Memilih dashboard yang tepat Exercise 5: Analisis ad hoc Exercise 6: Mengisi permintaan ad hoc Exercise 7: Mengklasifikasikan permintaan Exercise 8: A/B Testing Exercise 9: Menyusun alur kerja A/B testing Exercise 10: Ukuran sampel Exercise 11: Hasil sementara

Pada bab terakhir ini, kita akan membahas topik paling hangat dalam data science: machine learning! Kita akan membahas supervised dan unsupervised machine learning, serta clustering. Selanjutnya, kita akan membahas topik khusus dalam machine learning, termasuk prediksi deret waktu, natural language processing, deep learning, dan explainable AI!

Exercise 1: Supervised Machine Learning Exercise 2: Kapan menggunakan Supervised Learning Exercise 3: Fitur dan label Exercise 4: Evaluasi model Exercise 5: Clustering Exercise 6: Supervised vs. Unsupervised Exercise 7: Pemilihan jumlah klaster

Latihan Saat Ini

Exercise 8: Topik khusus dalam Machine Learning Exercise 9: Mengklasifikasikan tugas machine learning Exercise 10: Analisis Sentimen Exercise 11: Deep Learning dan Explainable AI Exercise 12: Menemukan solusi yang tepat Exercise 13: Haruskah saya menggunakan Deep Learning?