Algoritma k-means adalah salah satu pendekatan umum untuk clustering. Pelajari bagaimana algoritma ini bekerja di balik layar, terapkan clustering k-means di R, visualisasikan dan interpretasikan hasilnya, serta pilih jumlah klaster saat jumlahnya tidak diketahui sebelumnya. Pada akhir bab, Anda akan menerapkan clustering k-means pada himpunan data "dunia nyata" yang menyenangkan!

Selamat datang di kursus ini!

Identifikasi masalah clustering

Pengenalan pengelompokan k-means

Pengelompokan k-means

Hasil dari kmeans()

Memvisualisasikan dan menafsirkan hasil kmeans()

Cara kerja k-means dan hal-hal praktis

Menangani algoritme acak

Memilih jumlah klaster

Pengantar data Pokemon

Hal-hal praktis: bekerja dengan data nyata

Tinjauan k-means clustering

Unsupervised learning di R

Hierarchical clustering adalah metode populer lainnya untuk clustering. Tujuan bab ini adalah membahas cara kerjanya, cara menggunakannya, dan bagaimana perbandingannya dengan clustering k-means.

Pengantar pengelompokan hierarkis

Pengelompokan hierarkis dengan hasil

Menafsirkan dendrogram

Memotong pohon

Keterkaitan clustering dan hal-hal praktis

Metode linkage

Membandingkan metode linkage

Hal praktis: penskalaan

Membandingkan kmeans() dan hclust()

Tinjauan pengelompokan hierarkis

Hierarchical clustering

Principal component analysis, atau PCA, adalah pendekatan umum untuk pengurangan dimensi. Pelajari secara tepat apa yang dilakukan PCA, visualisasikan hasil PCA dengan biplot dan scree plot, serta tangani isu-isu praktis seperti melakukan centering dan scaling pada data sebelum menjalankan PCA.

Pengantar PCA

PCA menggunakan prcomp()

Hasil PCA

Hasil tambahan dari PCA

Memvisualisasikan dan menafsirkan hasil PCA

Menafsirkan biplot (1)

Menafsirkan biplot (2)

Varians yang dijelaskan

Visualisasikan ragam yang dijelaskan

Isu praktis pada PCA

Isu praktis: penskalaan

Kegunaan tambahan PCA dan rangkuman

Pengurangan dimensi dengan PCA

Tujuan bab ini adalah membimbing Anda melalui analisis lengkap menggunakan teknik unsupervised learning yang dibahas dalam tiga bab pertama. Anda akan memperluas apa yang telah dipelajari dengan menggabungkan PCA sebagai langkah prapemrosesan untuk clustering menggunakan data yang terdiri atas pengukuran inti sel dari massa payudara manusia.

Pengantar studi kasus

Menyiapkan data

Analisis data eksploratori

Melakukan PCA

Menafsirkan hasil PCA

Ulasan PCA dan langkah selanjutnya

Mengkomunikasikan hasil PCA

Klasterisasi hierarkis pada data studi kasus

Hasil pengelompokan hierarkis

Klasterisasi k-means dan membandingkan hasil

Clustering pada hasil PCA

Ringkasan dan tinjauan

Menyatukan semuanya dengan studi kasus

Pokemon data

Wisconsin breast cancer data

Sering kali dalam machine learning, tujuannya adalah menemukan pola dalam data tanpa berusaha membuat prediksi. Ini disebut unsupervised learning. Salah satu penggunaan umum unsupervised learning adalah mengelompokkan konsumen berdasarkan demografi dan riwayat pembelian untuk menjalankan kampanye pemasaran yang terarah. Contoh lainnya adalah menggambarkan faktor-faktor yang tidak terukur yang paling memengaruhi perbedaan tingkat kejahatan antarkota. Kursus ini memberikan pengenalan dasar tentang pengelompokan (clustering) dan pengurangan dimensi di R dari sudut pandang machine learning, sehingga Anda dapat beralih dari data ke wawasan secepat mungkin.


Introduction to R

Kursus ini memperkenalkan klasterisasi dan reduksi dimensi di R dari perspektif pembelajaran mesin.

Unsupervised Learning di R

Kursus ini memberikan pengenalan tentang clustering dan pengurangan dimensi dalam R dari perspektif machine learning.

Associate Data Scientist di R

Dasar-Dasar Pembelajaran Mesin di R

Ilmuwan Pembelajaran Mesin di R

Menafsirkan biplot (2)

Unsupervised Learning di R

Latihan interaktif langsung