Après avoir suivi ces cours, je me sens confiant dans la création de visualisations et de tableaux de bord professionnels.
Shoebur RahmanSpécialiste des marchés publics, Giz Bangladesh
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
Programme de formation
Plan du cours
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 !50 XP
- Identifier des problèmes de clustering50 XP
- Introduction au clustering k-means50 XP
- Regroupement k-means100 XP
- Résultats de kmeans()100 XP
- Visualiser et interpréter les résultats de kmeans()100 XP
- Fonctionnement de k-means et aspects pratiques50 XP
- Gérer les algorithmes aléatoires100 XP
- Choisir le nombre de clusters100 XP
- Introduction aux données Pokémon50 XP
- Aspects pratiques : travailler avec des données réelles100 XP
- Révision du clustering k-means50 XP
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.
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.
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.
R
Apprentissage non supervisé en R
Cours
terminé
