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.

Introductie tot hiërarchisch clusteren

Hiërarchische clustering met resultaten

Aantal clusters kiezen

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

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.

Introduction to PCA

PCA using prcomp()

Results of PCA

Additional results of PCA

Visualizing and interpreting PCA results

Interpreting biplots (1)

Interpreting biplots (2)

Variance explained

Visualize variance explained

Practical issues with PCA

Practical issues: scaling

Additional uses of PCA and wrap-up

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

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

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

Dendrogram interpreteren

Unsupervised learning in R

Praktische interactieve oefening