Algoritmul k-means este una dintre cele mai populare abordări pentru clustering. Vei înțelege cum funcționează algoritmul în detaliu, vei implementa k-means clustering în R, vei vizualiza și interpreta rezultatele și vei selecta numărul de clustere atunci când acesta nu este cunoscut dinainte. La finalul capitolului, vei aplica k-means clustering pe un set de date „din lumea reală"!

Bun venit la curs!

Identifică problemele de grupare

Introducere în clustering k-means

Clusterizare k-means

Rezultatele funcției kmeans()

Vizualizarea și interpretarea rezultatelor kmeans()

Cum funcționează k-means și aspecte practice

Gestionarea algoritmilor aleatori

Selectarea numărului de clustere

Introducere în datele Pokémon

Aspecte practice: lucrul cu date reale

Recapitulare: clustering k-means

Învățare nesupervizată în R

Clustering-ul ierarhic este o altă metodă populară de grupare a datelor. Scopul acestui capitol este să explice cum funcționează, cum se utilizează și cum se compară cu k-means clustering.

Introducere în clustering ierarhic

Clustering ierarhic cu rezultate

Interpretarea dendrogramei

Tăierea arborelui

Legătura dintre clustere și aspecte practice

Metode de legătură

Compararea metodelor de legătură

Aspecte practice: scalarea

Compararea kmeans() și hclust()

Recapitulare: clustering ierarhic

Clustering ierarhic

Analiza componentelor principale, sau PCA, este o abordare frecvent utilizată pentru reducerea dimensionalității. Vei înțelege exact ce face PCA, vei vizualiza rezultatele cu biplots și scree plots și vei gestiona aspecte practice precum centrarea și scalarea datelor înainte de a aplica PCA.

Introducere în PCA

PCA cu prcomp()

Rezultatele PCA

Rezultate suplimentare ale PCA

Vizualizarea și interpretarea rezultatelor PCA

Interpretarea biplot-urilor (1)

Interpretarea biplot-urilor (2)

Varianța explicată

Vizualizează varianța explicată

Probleme practice în PCA

Aspecte practice: scalarea datelor

Utilizări suplimentare ale PCA și recapitulare

Reducerea dimensionalității cu PCA

Scopul acestui capitol este să te ghideze printr-o analiză completă folosind tehnicile de învățare nesupervizată din primele trei capitole. Vei aprofunda ce ai învățat combinând PCA ca pas de preprocesare pentru clustering, pe un set de date cu măsurători ale nucleelor celulare din mase mamare umane.

Introducere în studiul de caz

Pregătirea datelor

Analiza exploratorie a datelor

Aplicarea PCA

Interpretarea rezultatelor ACP

Recapitulare ACP și pașii următori

Comunicarea rezultatelor ACP

Clustering ierarhic al datelor din studiu de caz

Rezultatele clustering-ului ierarhic

Clustering k-means și compararea rezultatelor

Clustering pe rezultatele PCA

Rezumat și recapitulare

Aplicație completă: un studiu de caz

Wisconsin breast cancer data

Pokemon data

De multe ori în machine learning, scopul este de a descoperi tipare în date fără a face predicții. Aceasta se numește învățare nesupervizată. Un caz frecvent de utilizare este gruparea consumatorilor pe baza datelor demografice și a istoricului de cumpărături, pentru a lansa campanii de marketing direcționate. Un alt exemplu este identificarea factorilor nemăsurați care influențează cel mai mult diferențele de criminalitate dintre orașe. Acest curs oferă o introducere de bază în clustering și reducerea dimensionalității în R, dintr-o perspectivă de machine learning, astfel încât să poți trece rapid de la date la concluzii.


Introduction to R

Acest curs oferă o introducere în clustering și reducerea dimensionalității în R pentru a obține rapid perspective.

Acest curs oferă o introducere în clustering și reducerea dimensionalității în R din perspectiva învățării automate.

Selectarea numărului de clustere

Create Your Free Account