Nachdem Sie nun die Grundlagen der Hauptkomponentenanalyse verstanden haben, geht es in diesem Modul darum, wie man sie sinnvoll anwendet. Sie werden lernen, wie Sie entscheiden, wie viele Komponenten Sie beibehalten wollen, indem Sie den Anteil der erklärten Varianz untersuchen und Scree Plots interpretieren. Sie werden auch erforschen, wie Sie die Ladungen der Hauptkomponenten interpretieren können, um zu verstehen, was jede Komponente über die ursprünglichen Merkmale aussagt. Anhand praktischer Übungen werden Sie sehen, wie PCA nicht nur zur Visualisierung, sondern auch als leistungsstarker Vorverarbeitungsschritt vor dem überwachten Lernen eingesetzt werden kann. Am Ende dieses Moduls werden Sie in der Lage sein, die Dimensionalität gezielt und aufschlussreich zu reduzieren.

Dieses Modul führt Sie in die Welt des Clustering ein, bei dem das Ziel darin besteht, natürliche Gruppierungen in Daten ohne Beschriftungen aufzudecken. Sie werden lernen, wie der k-means-Algorithmus Beobachtungen auf der Grundlage von Ähnlichkeit in Cluster aufteilt und wie er diese Gruppierungen durch Aktualisierung der Zentroide verfeinert. Auf dem Weg dorthin werden Sie sich mit der Herausforderung auseinandersetzen, die richtige Anzahl von Clustern zu wählen, und heuristische Werkzeuge wie die Ellbogenmethode erkunden. Durch praktische Arbeit werden Sie Clustering-Ergebnisse auswerten und interpretieren, was jede Gruppe im Kontext darstellt. Clustering ist sowohl eine Kunst als auch eine Wissenschaft, und dieses Modul wird Ihnen helfen, ein Gespür für beides zu entwickeln.

In diesem Modul lernen Sie das hierarchische Clustering kennen - eine Methode, bei der verschachtelte Gruppierungen gebildet werden, ohne dass Sie die Anzahl der Cluster im Voraus festlegen müssen. Sie lernen, wie der agglomerative Ansatz Schritt für Schritt funktioniert und wie Sie Dendrogramme interpretieren, um sinnvolle Strukturen in Ihren Daten aufzudecken. Im Gegensatz zu K-means bietet das hierarchische Clustering ein vollständiges Bild davon, wie Beobachtungen auf verschiedenen Ähnlichkeitsebenen miteinander in Beziehung stehen. Sie werden auch untersuchen, wie Skalierungs- und Abstandsmetriken die Clustering-Ergebnisse beeinflussen können, und warum die Bewertung von Clustern oft eher subjektiv als endgültig ist. Dieses Modul regt Sie dazu an, kritisch darüber nachzudenken, was eine Clustering-Lösung nützlich und nicht nur mathematisch gültig macht.

In diesem Modul wird die Vervollständigung von Low-Rank-Matrizen als prinzipieller Ansatz zur Behandlung fehlender Daten und zur Unterstützung von Empfehlungssystemen vorgestellt. Sie werden lernen, wie PCA als Matrixapproximationstool verwendet werden kann, um fehlende Einträge zu rekonstruieren, einen iterativen Vervollständigungsalgorithmus zu implementieren und die Modellauswahl durch Maskierung zu validieren. Eine kompakte Fallstudie demonstriert praktische Kompromisse mit kleinem p, und das Modul schließt mit der Übertragung derselben Ideen auf Empfehlungen für Benutzerartikel unter Berücksichtigung von Vorverarbeitung, Bewertung, Umfang und Ethik.