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!

Welcome to the course!

Identify clustering problems

Introduction to k-means clustering

k-means clustering

Results of kmeans()

Visualizing and interpreting results of kmeans()

How k-means works and practical matters

Handling random algorithms

Selecting number of clusters

Introduction to the Pokemon data

Practical matters: working with real data

Review of k-means clustering

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

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.

Introduzione alla PCA

PCA con prcomp()

Risultati della PCA

Risultati aggiuntivi della PCA

Visualizzare e interpretare i risultati della PCA

Interpretare i biplot (1)

Interpretare i biplot (2)

Varianza spiegata

Visualizza la varianza spiegata

Problemi pratici con la PCA

Questioni pratiche: scaling

Usi aggiuntivi della PCA e conclusione

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

Variance explained

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

Spesso, nel machine learning, l’obiettivo è trovare schemi nei dati senza provare a fare previsioni. Questo si chiama unsupervised learning. Un caso d’uso comune è raggruppare i consumatori in base a dati demografici e cronologia degli acquisti per lanciare campagne di marketing mirate. Un altro esempio è descrivere i fattori non misurati che influenzano maggiormente le differenze di criminalità tra città. Questo corso offre un’introduzione di base al clustering e alla riduzione della dimensionalità in R da una prospettiva di machine learning, così da passare dai dati agli insight il più rapidamente possibile.


Introduction to R

Questo corso introduce clustering e riduzione dimensionale in R per ottenere rapidamente intuizioni.

Unsupervised Learning in R

Questo corso ti dà un'idea di base sul clustering e sulla riduzione della dimensionalità in R dal punto di vista dell'apprendimento automatico.

Scienziato dei dati associato in R

Fondamenti di apprendimento automatico in R

Scienziato dell'apprendimento automatico in R

Interpretare i biplot (2)

Unsupervised Learning in R

Esercizio pratico interattivo