Fondamentaux de l'apprentissage automatique non supervisé avec R

Les données non étiquetées ont une valeur immense, mais l'extraction d'informations nécessite un ensemble spécifique d'outils analytiques et de logique. Ce cours vous présente les principes fondamentaux de la découverte de structures dans des données où il n'existe pas de catégories prédéfinies. Vous acquerrez les compétences nécessaires pour transformer des ensembles de données bruts et désorganisés en groupes significatifs et en représentations simplifiées. À la fin de ce cours, vous serez en mesure de sélectionner, implémenter et interpréter les modèles d'apprentissage non supervisé les plus courants. Ce que vous apprendrez : - Comprendre la logique et la terminologie fondamentales de l'apprentissage non supervisé. - Regrouper efficacement des points de données à l'aide de K-means et du clustering hiérarchique. - Réduire la complexité des données avec l'analyse en composantes principales pour améliorer l'efficacité du modèle. - Appliquer des techniques de mise à l'échelle et de normalisation des données pour garantir des résultats précis. - Évaluer la qualité de vos clusters à l'aide de l'analyse de silhouette et d'autres métriques modernes. - Pratiquer la mise en œuvre de flux de travail de reconnaissance de modèles à l'aide d'exemples de code R clairs. Le matériel commence par un aperçu conceptuel des structures de données avant de vous guider à travers des explications écrites des mécanismes d'algorithmes et des exercices de codage pratiques. Ce cours s'adresse aux débutants qui souhaitent un cheminement ciblé et textuel vers l'apprentissage automatique sans avoir besoin d'une expérience préalable dans le domaine. Commencez votre voyage dans la découverte de modèles de données.