Nach diesen Kursen fühle ich mich sicher, professionelle Visualisierungen und Dashboards zu erstellen.
Shoebur RahmanBeschaffungsspezialist, Giz Bangladesh
Kursbeschreibung
Oft geht es im Machine Learning darum, Muster in Daten zu finden, ohne Vorhersagen zu treffen. Das nennt man unüberwachtes Lernen. Ein häufiges Einsatzszenario ist das Gruppieren von Kundinnen und Kunden anhand von Demografie und Kaufhistorie, um gezielte Marketingkampagnen zu planen. Ein weiteres Beispiel ist der Versuch, die nicht gemessenen Faktoren zu beschreiben, die die Unterschiede in der Kriminalität zwischen Städten am stärksten beeinflussen. Dieser Kurs bietet eine grundlegende Einführung in Clustering und Dimensionalitätsreduktion in R aus der Perspektive des Machine Learning, damit du so schnell wie möglich von Daten zu Erkenntnissen gelangst.
Voraussetzungen
Lernprogramm
Kursübersicht
1
Unüberwachtes Lernen in R
Der k-means-Algorithmus ist ein gängiger Ansatz fürs Clustering. Lerne, wie der Algorithmus unter der Haube funktioniert, implementiere k-means-Clustering in R, visualisiere und interpretiere die Ergebnisse und wähle die Anzahl der Cluster, wenn sie nicht im Voraus bekannt ist. Am Ende des Kapitels hast du k-means-Clustering auf einen spannenden „realen“ Datensatz angewendet!
- Willkommen zum Kurs!50 XP
- Clustering-Probleme erkennen50 XP
- Einführung in das k-means-Clustering50 XP
- k-means-Clustering100 XP
- Ergebnisse von kmeans()100 XP
- Ergebnisse von kmeans() visualisieren und interpretieren100 XP
- Wie k-means funktioniert und praktische Aspekte50 XP
- Zufällige Algorithmen handhaben100 XP
- Anzahl der Cluster auswählen100 XP
- Einführung in die Pokémon-Daten50 XP
- Praxis: Arbeiten mit echten Daten100 XP
- Wiederholung der k-means-Clustering-Methode50 XP
2
Hierarchisches Clustering
Hierarchisches Clustering ist eine weitere beliebte Methode für Clustering. Das Ziel dieses Kapitels ist zu erklären, wie es funktioniert, wie du es anwendest und wie es sich im Vergleich zum k-means-Clustering schlägt.
3
Dimensionalitätsreduktion mit PCA
Principal Component Analysis, kurz PCA (Hauptkomponentenanalyse), ist ein gängiger Ansatz zur Dimensionalitätsreduktion. Lerne genau, was PCA macht, visualisiere die Ergebnisse von PCA mit Biplots und Screeplots und gehe mit praktischen Fragen um, etwa dem Zentrieren und Skalieren der Daten vor der PCA.
4
Alles zusammenführen mit einer Fallstudie
Das Ziel dieses Kapitels ist, dich durch eine vollständige Analyse mit den in den ersten drei Kapiteln behandelten Methoden des unüberwachten Lernens zu führen. Du vertiefst das Gelernte, indem du PCA als Preprocessing-Schritt mit Clustering kombinierst – anhand von Daten mit Messungen von Zellkernen menschlicher Brusttumoren.
R
Unüberwachtes Lernen in R
Kurs
abgeschlossen
