Depois de fazer esses cursos, sinto-me confiante para criar visualizações e painéis profissionais
Shoebur RahmanEspecialista em compras, Giz Bangladesh
Descrição do curso
Muitas vezes, em Machine Learning, o objetivo é encontrar padrões nos dados sem tentar fazer previsões. Isso é chamado de aprendizado não supervisionado. Um caso de uso comum é agrupar consumidores com base em dados demográficos e histórico de compras para criar campanhas de marketing direcionadas. Outro exemplo é descrever os fatores não medidos que mais influenciam as diferenças de criminalidade entre cidades. Este curso oferece uma introdução básica a agrupamento e redução de dimensionalidade em R, com uma perspectiva de Machine Learning, para que você possa transformar dados em insights o mais rápido possível.
Pré-requisitos
Programa de estudos
Conteúdo do curso
1
Aprendizado não supervisionado em R
O algoritmo k-means é uma abordagem comum para agrupamento. Você vai aprender como o algoritmo funciona por baixo dos panos, implementar k-means em R, visualizar e interpretar os resultados e escolher o número de grupos quando isso não é conhecido de antemão. Ao final do capítulo, você terá aplicado k-means a um conjunto de dados "do mundo real" divertido!
- Bem-vindo(a) ao curso!50 XP
- Identificar problemas de clustering50 XP
- Introdução ao agrupamento k-means50 XP
- Agrupamento k-means100 XP
- Resultados de kmeans()100 XP
- Visualizando e interpretando os resultados de kmeans()100 XP
- Como o k-means funciona e questões práticas50 XP
- Lidando com algoritmos aleatórios100 XP
- Selecionando o número de clusters100 XP
- Introdução aos dados de Pokémon50 XP
- Questões práticas: trabalhando com dados reais100 XP
- Revisão de k-means clustering50 XP
2
Agrupamento hierárquico
O agrupamento hierárquico é outro método popular de agrupamento. O objetivo deste capítulo é explicar como ele funciona, como usá-lo e como se compara ao k-means.
3
Redução de dimensionalidade com PCA
A análise de componentes principais, ou PCA, é uma abordagem comum para redução de dimensionalidade. Aprenda exatamente o que a PCA faz, visualize os resultados com biplots e scree plots e trate de questões práticas como centralizar e escalar os dados antes de executar a PCA.
4
Juntando tudo com um estudo de caso
O objetivo deste capítulo é orientar você por uma análise completa usando as técnicas de aprendizado não supervisionado abordadas nos três primeiros capítulos. Você vai avançar no que aprendeu combinando PCA como etapa de pré-processamento para agrupamento, usando dados que consistem em medições de núcleos celulares de massas mamárias humanas.
R
Aprendizado não supervisionado em R
Curso
concluído
