K-means-algoritmen är ett vanligt sätt att klustra data. Lär dig hur algoritmen fungerar under huven, implementera k-means-klustring i R, visualisera och tolka resultaten, och välj antal kluster när det inte är känt i förväg. I slutet av kapitlet har du tillämpat k-means-klustring på ett roligt "verkligt" dataset!

Välkommen till kursen!

Identifiera klustringsproblem

Introduktion till k-means-klustring

k-means-klustring

Resultat från kmeans()

Visualisera och tolka resultaten från kmeans()

Hur k-means fungerar och praktiska aspekter

Hantera slumpmässiga algoritmer

Välja antal kluster

Introduktion till Pokémon-data

Praktiska aspekter: att arbeta med verkliga data

Repetition av k-means-klustring

Oövervakad inlärning i R

Hierarkisk klustring är en annan populär klustringsmetod. Målet med det här kapitlet är att gå igenom hur den fungerar, hur den används och hur den skiljer sig från k-means-klustring.

Introduktion till hierarkisk klustring

Hierarkisk klustring med resultat

Tolka ett dendrogram

Beskär trädet

Klustringsmetoder och praktiska aspekter

Länkningsmetoder

Jämföra länkningsmetoder

Praktiska aspekter: skalning

Jämföra kmeans() och hclust()

Repetition: hierarkisk klustring

Hierarkisk klustring

Principalkomponentanalys, eller PCA, är ett vanligt sätt att reducera dimensionalitet. Lär dig exakt vad PCA gör, visualisera resultaten med biplottar och scree-plottar, och hantera praktiska frågor som centrering och skalning av data innan du utför PCA.

Introduktion till PCA

PCA med prcomp()

Resultat av PCA

Ytterligare resultat från PCA

Visualisering och tolkning av PCA-resultat

Tolka biplot-diagram (1)

Tolka biplot-diagram (2)

Förklarad varians

Visualisera förklarad varians

Praktiska problem med PCA

Praktiska frågor: skalning

Ytterligare användningsområden för PCA och sammanfattning

Dimensionsreduktion med PCA

Målet med det här kapitlet är att guida dig genom en komplett analys med de oövervakade inlärningsmetoder som behandlades i de tre första kapitlen. Du bygger vidare på det du lärt dig genom att kombinera PCA som ett förbehandlingssteg med klustring, med data som består av mätningar av cellkärnor från mänskliga bröstvävnadsprover.

Introduktion till fallstudien

Förbereda data

Explorativ dataanalys

Utföra PCA

Tolka PCA-resultat

Genomgång av PCA och nästa steg

Kommunicera PCA-resultat

Hierarkisk klustring av falldata

Resultat av hierarkisk klustring

k-means-klustring och jämförelse av resultat

Klustring på PCA-resultat

Sammanfattning och repetition

Allt ihop i en fallstudie

Wisconsin breast cancer data

Pokemon data

Inom maskininlärning är målet ofta att hitta mönster i data utan att göra förutsägelser. Det kallas oövervakad inlärning. Ett vanligt användningsfall är att gruppera konsumenter utifrån demografi och köphistorik för att rikta marknadsföringskampanjer. Ett annat exempel är att beskriva omätbara faktorer som påverkar brottsskillnader mellan städer. Den här kursen ger en grundläggande introduktion till klustring och dimensionsreduktion i R ur ett maskininlärningsperspektiv, så att du snabbt kan gå från data till insikter.


Introduction to R

Kursen ger en grundläggande introduktion till klustring och dimensionsreduktion i R för snabba insikter.

Den här kursen ger en introduktion till klustring och dimensionsreduktion i R ur ett maskininlärningsperspektiv.

Associate Data Scientist i R

Grunderna i maskininlärning i R

Maskininlärningsforskare i R

Resultat av PCA

Oövervakad inlärning i R

Interaktiv övning med praktiskt arbete