L’algoritmo k-means è un approccio comune al clustering. Scopri come funziona dietro le quinte, implementa il clustering k-means in R, visualizza e interpreta i risultati e scegli il numero di cluster quando non è noto in anticipo. Alla fine del capitolo, avrai applicato il clustering k-means a un dataset “reale” e divertente!

Benvenuto nel corso!

Individua problemi di clustering

Introduzione al clustering k-means

Clustering k-means

Risultati di kmeans()

Visualizzare e interpretare i risultati di kmeans()

Come funziona k-means e aspetti pratici

Gestire gli algoritmi casuali

Selezionare il numero di cluster

Introduzione ai dati dei Pokemon

Aspetti pratici: lavorare con dati reali

Ripasso del clustering k-means

Unsupervised learning in R

Il clustering gerarchico è un altro metodo molto diffuso per il clustering. L’obiettivo di questo capitolo è spiegare come funziona, come utilizzarlo e come si confronta con il clustering k-means.

Introduzione al clustering gerarchico

Clustering gerarchico con risultati

Interpretare un dendrogramma

Tagliare l'albero

Collegamenti nel clustering e aspetti pratici

Metodi di linkage

Confrontare i metodi di linkage

Aspetti pratici: scaling

Confrontare kmeans() e hclust()

Ripasso del clustering gerarchico

Clustering gerarchico

La principal component analysis, o PCA, è un approccio comune alla riduzione della dimensionalità. Scopri esattamente cosa fa la PCA, visualizza i risultati con biplot e scree plot e affronta aspetti pratici come il centering e lo scaling dei dati prima di eseguire la 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

Riduzione della dimensionalità con PCA

L’obiettivo di questo capitolo è guidarti in un’analisi completa utilizzando le tecniche di unsupervised learning trattate nei primi tre capitoli. Estenderai quanto hai imparato combinando la PCA come fase di preprocessing del clustering su dati che consistono in misurazioni dei nuclei cellulari di masse mammarie umane.

Introduzione al case study

Preparare i dati

Analisi esplorativa dei dati

Eseguire la PCA

Interpretare i risultati della PCA

Ripasso della PCA e prossimi passi

Comunicare i risultati della PCA

Clustering gerarchico dei dati del caso di studio

Risultati del clustering gerarchico

Clustering k-means e confronto dei risultati

Clustering sui risultati della PCA

Riepilogo e revisione

Mettere tutto insieme con un caso di studio

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

Confrontare i metodi di linkage

Unsupervised Learning in R

esercizio interattivo pratico