Accéder au contenu principal

Cours

Apprentissage non supervisé en R

IntermédiaireNiveau de compétence

Actualisé 07/2024

Ce cours propose une introduction au regroupement et à la réduction de dimensionnalité dans R, dans une perspective de machine learning.

Commencer le cours gratuitement

RMachine Learning

4 h

16 vidéos

49 Exercices

3,600 XP

54,937

Certificat de formation

Apprécié par des utilisateurs provenant de milliers d'entreprises

Former une équipe ?

Essayez pour les entreprises

Description du cours

Dans de nombreux cas en Machine Learning, l’objectif est de découvrir des motifs dans les données sans chercher à faire des prédictions. C’est ce que l’on appelle l’apprentissage non supervisé. Un cas d’usage courant consiste à regrouper des consommateurs selon leur démographie et leur historique d’achats afin de mener des campagnes marketing ciblées. Autre exemple : décrire les facteurs non mesurés qui influencent le plus les différences de criminalité entre villes. Ce cours propose une introduction essentielle au clustering et à la réduction de dimension en R dans une perspective Machine Learning, pour passer des données aux insights le plus rapidement possible.

Prérequis

Introduction to R

1

Apprentissage non supervisé en R

L’algorithme des k-means est une approche courante du clustering. Découvrez son fonctionnement en coulisses, mettez en œuvre un clustering k-means en R, visualisez et interprétez les résultats, et choisissez le nombre de clusters lorsqu’il n’est pas connu à l’avance. À la fin du chapitre, vous aurez appliqué le clustering k-means à un jeu de données « réel » et ludique !

Bienvenue dans le cours !

Identifier des problèmes de clustering

Introduction au clustering k-means

Regroupement k-means

Résultats de kmeans()

Visualiser et interpréter les résultats de kmeans()

Fonctionnement de k-means et aspects pratiques

Gérer les algorithmes aléatoires

Choisir le nombre de clusters

Introduction aux données Pokémon

Aspects pratiques : travailler avec des données réelles

Révision du clustering k-means

Commencer le chapitre

2

Clustering hiérarchique

Le clustering hiérarchique est une autre méthode populaire de regroupement. L’objectif de ce chapitre est d’expliquer son fonctionnement, comment l’utiliser et en quoi il se compare au clustering k-means.

Introduction au clustering hiérarchique

Clustering hiérarchique avec résultats

Choisir le nombre de clusters

Interpréter un dendrogramme

Couper l’arbre

Méthodes de liaison et aspects pratiques du clustering

Méthodes de liaison

Comparer les méthodes de liaison

Aspects pratiques : mise à l’échelle

Comparer kmeans() et hclust()

Révision du clustering hiérarchique

Commencer le chapitre

3

Réduction de dimension avec l’ACP

L’analyse en composantes principales, ou ACP, est une approche courante de la réduction de dimension. Voyez précisément ce que fait l’ACP, visualisez ses résultats avec des biplots et des scree plots, et traitez des aspects pratiques comme le centrage et la mise à l’échelle des données avant de réaliser l’ACP.

Introduction à l’ACP

ACP avec prcomp()

Résultats de l’ACP

Résultats supplémentaires de l'ACP

Visualiser et interpréter les résultats d’une ACP

Interpréter les biplots (1)

Interpréter les biplots (2)

Variance expliquée

Visualiser la variance expliquée

Problèmes pratiques avec l’ACP

Problèmes pratiques : mise à l’échelle

Autres usages de l’ACP et conclusion

Commencer le chapitre

4

Tout rassembler avec une étude de cas

L’objectif de ce chapitre est de vous guider pas à pas dans une analyse complète en utilisant les techniques d’apprentissage non supervisé vues dans les trois premiers chapitres. Vous irez plus loin en combinant l’ACP comme étape de prétraitement du clustering sur des données constituées de mesures de noyaux cellulaires de masses mammaires humaines.

Introduction à l’étude de cas

Préparation des données

Analyse exploratoire des données

Réaliser une ACP

Interpréter les résultats de l’ACP

Part de variance expliquée

Revue de l’ACP et prochaines étapes

Communiquer les résultats d'une ACP

Regroupement hiérarchique des données du cas d’étude

Résultats du clustering hiérarchique

Choisir le nombre de grappes

Regroupement k-means et comparaison des résultats

Regrouper à partir des résultats de l’ACP

Bilan et révision

Commencer le chapitre

Apprentissage non supervisé en R

Cours
terminé

Obtenez un certificat de réussite

Ajoutez cette certification à votre profil LinkedIn, à votre CV ou à votre portfolio
Partagez-la sur les réseaux sociaux et dans votre évaluation de performanceS'inscrire maintenant

Rejoignez plus de 19 millions d'utilisateurs et commencez Apprentissage non supervisé en R dès aujourd'hui !

Apprenez où que vous soyez avec l'application DataCamp

Progressez où que vous soyez grâce à nos cours conçus pour mobile et à nos défis quotidiens de 5 minutes.