O algoritmo k-means é uma abordagem comum para agrupamento. Você vai aprender como o algoritmo funciona por baixo dos panos, implementar k-means em R, visualizar e interpretar os resultados e escolher o número de grupos quando isso não é conhecido de antemão. Ao final do capítulo, você terá aplicado k-means a um conjunto de dados "do mundo real" divertido!

Bem-vindo(a) ao curso!

Identificar problemas de clustering

Introdução ao agrupamento k-means

Agrupamento k-means

Resultados de kmeans()

Visualizando e interpretando os resultados de kmeans()

Como o k-means funciona e questões práticas

Lidando com algoritmos aleatórios

Selecionando o número de clusters

Introdução aos dados de Pokémon

Questões práticas: trabalhando com dados reais

Revisão de k-means clustering

Aprendizado não supervisionado em R

O agrupamento hierárquico é outro método popular de agrupamento. O objetivo deste capítulo é explicar como ele funciona, como usá-lo e como se compara ao k-means.

Introdução ao agrupamento hierárquico

Agrupamento hierárquico com resultados

Interpretando o dendrograma

Cortando a árvore

Ligação no clustering e aspectos práticos

Métodos de ligação

Comparando métodos de ligação

Questões práticas: padronização

Comparando kmeans() e hclust()

Revisão de agrupamento hierárquico

Agrupamento hierárquico

A análise de componentes principais, ou PCA, é uma abordagem comum para redução de dimensionalidade. Aprenda exatamente o que a PCA faz, visualize os resultados com biplots e scree plots e trate de questões práticas como centralizar e escalar os dados antes de executar a PCA.

Introdução ao PCA

PCA usando prcomp()

Resultados do PCA

Resultados adicionais da PCA

Visualizando e interpretando resultados de PCA

Interpretando biplots (1)

Interpretando biplots (2)

Variância explicada

Visualizar a variância explicada

Questões práticas com PCA

Questões práticas: padronização (scaling)

Usos adicionais de PCA e conclusão

Redução de dimensionalidade com PCA

O objetivo deste capítulo é orientar você por uma análise completa usando as técnicas de aprendizado não supervisionado abordadas nos três primeiros capítulos. Você vai avançar no que aprendeu combinando PCA como etapa de pré-processamento para agrupamento, usando dados que consistem em medições de núcleos celulares de massas mamárias humanas.

Introdução ao estudo de caso

Preparando os dados

Análise exploratória de dados

Executando PCA

Interpretando resultados de PCA

Revisão de PCA e próximos passos

Comunicando resultados de PCA

Clusterização hierárquica dos dados do caso

Resultados do agrupamento hierárquico

Agrupamento k-means e comparando resultados

Agrupamento com resultados de PCA

Encerramento e revisão

Juntando tudo com um estudo de caso

Pokemon data

Wisconsin breast cancer data

Muitas vezes, em Machine Learning, o objetivo é encontrar padrões nos dados sem tentar fazer previsões. Isso é chamado de aprendizado não supervisionado. Um caso de uso comum é agrupar consumidores com base em dados demográficos e histórico de compras para criar campanhas de marketing direcionadas. Outro exemplo é descrever os fatores não medidos que mais influenciam as diferenças de criminalidade entre cidades. Este curso oferece uma introdução básica a agrupamento e redução de dimensionalidade em R, com uma perspectiva de Machine Learning, para que você possa transformar dados em insights o mais rápido possível.


Introduction to R

Este curso introduz agrupamento e redução de dimensionalidade em R para insights rápidos em aprendizado de máquina.

Este curso apresenta o agrupamento e a redução de dimensionalidade em R sob a ótica do aprendizado de máquina.

Usos adicionais de PCA e conclusão

Create Your Free Account