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.

Hiyerarşik kümelemeye giriş

Sonuçlarla hiyerarşik kümeleme

Küme sayısını seçme

Dendrogramı yorumlama

Ağacı kesmek

Kümeleme bağlama yöntemleri ve pratik konular

Bağlama (linkage) yöntemleri

Bağlantı (linkage) yöntemlerini karşılaştırma

Pratik konular: ölçekleme

kmeans() ve hclust() karşılaştırması

Hiyerarşik kümelemenin gözden geçirilmesi

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

Makine öğreniminde çoğu zaman amaç, tahmin yapmadan verideki örüntüleri bulmaktır. Buna denetimsiz öğrenme denir. Denetimsiz öğrenmenin yaygın bir kullanım alanı, hedefli pazarlama kampanyaları yürütmek için tüketicileri demografi ve satın alma geçmişine göre gruplamaktır. Bir başka örnek de şehirler arasındaki suç farklılıklarını en çok etkileyen, ölçülmemiş faktörleri açıklamaktır. Bu kurs, makine öğrenimi perspektifinden R ile kümeleme ve boyut indirgeme konularına temel bir giriş sunar; böylece veriden içgörüye olabildiğince hızlı ilerleyebilirsin.


Introduction to R

Bu kurs, R'de kümeleme ve boyut indirgemeye makine öğrenimi perspektifinden hızlı bir giriş sağlar.

R ile Denetimsiz Öğrenme

Bu ders, makine öğrenimi perspektifinden R'da kümeleme ve boyut indirgemesine giriş sağlar.

Yardımcı Veri Bilimcisi in R

Makine Öğrenimi Temelleri in R

Makine Öğrenimi Bilim İnsanı in R

Bağlantı (linkage) yöntemlerini karşılaştırma

R ile Denetimsiz Öğrenme

Uygulamalı interaktif egzersiz