Het k-means-algoritme is een veelgebruikte aanpak voor clusteren. Leer hoe het algoritme onder de motorkap werkt, implementeer k-means-clustering in R, visualiseer en interpreteer de resultaten en kies het aantal clusters wanneer dat niet vooraf bekend is. Aan het einde van dit hoofdstuk heb je k-means-clustering toegepast op een leuke ‘realistische’ gegevensset!

Welkom bij de cursus!

Clusteringproblemen herkennen

Introductie tot k-means-clustering

k-means-clustering

Resultaten van kmeans()

Resultaten van kmeans() visualiseren en interpreteren

Hoe k-means werkt en praktische zaken

Omgaan met willekeurige algoritmen

Aantal clusters kiezen

Introductie van de Pokemon-gegevens

Praktische zaken: werken met echte data

Herhaling van k-means-clustering

Unsupervised learning in R

Hiërarchisch clusteren is een andere populaire methode voor clusteren. In dit hoofdstuk leer je hoe het werkt, hoe je het gebruikt en hoe het zich verhoudt tot k-means-clustering.

Introductie tot hiërarchisch clusteren

Hiërarchische clustering met resultaten

Dendrogram interpreteren

De boom doorsnijden

Koppelingsmethoden bij clusteren en praktische aandachtspunten

Linkage-methoden

Koppelingsmethoden vergelijken

Praktische zaken: schalen

kmeans() en hclust() vergelijken

Herhaling van hiërarchisch clusteren

Hiërarchisch clusteren

Principal component analysis, of PCA, is een veelgebruikte aanpak voor dimensionaliteitsreductie. Leer precies wat PCA doet, visualiseer de resultaten van PCA met biplots en screeplots, en ga om met praktische zaken zoals het centreren en schalen van de data voordat je PCA uitvoert.

Introductie tot PCA

PCA met prcomp()

Resultaten van PCA

Aanvullende resultaten van PCA

PCA-resultaten visualiseren en interpreteren

Biplots interpreteren (1)

Biplots interpreteren (2)

Verklaarde variantie

Visualiseer verklaarde variantie

Praktische aandachtspunten bij PCA

Praktische aandachtspunten: schalen

Aanvullende toepassingen van PCA en afsluiting

Dimensionaliteitsreductie met PCA

In dit hoofdstuk doorloop je een complete analyse met de unsupervised learning-technieken uit de eerste drie hoofdstukken. Je bouwt daarop voort door PCA te combineren als preprocessing-stap voor clusteren, met gegevens die bestaan uit metingen van celkernen van menselijke borsttumoren.

Introductie van de casestudy

De gegevens voorbereiden

Exploratieve data-analyse

PCA uitvoeren

PCA-resultaten interpreteren

PCA-herhaling en volgende stappen

PCA-resultaten communiceren

Hiërarchische clustering van casusdata

Resultaten van hiërarchische clustering

k-means-clustering en resultaten vergelijken

Clusteren op PCA-resultaten

Afronding en terugblik

Alles samenbrengen met een casestudy

Pokemon data

Wisconsin breast cancer data

In Machine Learning is het doel vaak om patronen in gegevens te vinden zonder meteen voorspellingen te doen. Dat heet unsupervised learning. Een veelvoorkomend voorbeeld is het groeperen van consumenten op basis van demografie en aankoopgeschiedenis om gerichte marketingcampagnes uit te rollen. Een ander voorbeeld is het beschrijven van niet-gemeten factoren die de verschillen in criminaliteit tussen steden het meest beïnvloeden. Deze cursus geeft een basisintroductie tot clusteren en dimensionaliteitsreductie in R vanuit een Machine Learning-perspectief, zodat je zo snel mogelijk van data naar inzichten komt.


Introduction to R

Deze cursus biedt een basisintroductie in clustering en dimensionaliteitsreductie in R.

Deze cursus geeft je een inleiding tot clustering en dimensiereductie in R vanuit het perspectief van machine learning.

Associate Data Scientist in R

Basisprincipes van machine learning in R

Wetenschapper op het gebied van machine learning in R

Senior Data Scientist at Boeing

Aanvullende toepassingen van PCA en afronding

Dimensiereductie

Datavisualisatie

Belang van schalen

Wat komt hierna

Laten we oefenen!

Dimensionaliteitsreductie met PCA - Aanvullende toepassingen van PCA en afsluiting

Aanvullende toepassingen van PCA en afsluiting

Create Your Free Account