# Model Pengelompokan untuk Pembelajaran Mesin

Pengelompokan adalah tugas pembelajaran mesin di mana ia mencari objek yang menyerupai satu sama lain dan mengelompokkannya ke dalam kelompok yang disebut kelompok. Apa yang membedakan pengelompokan dari pendekatan lain dalam pembelajaran mesin adalah bahwa semuanya terjadi secara otomatis, sebenarnya, bisa dikatakan ini adalah kebalikan dari pembelajaran terawasi.

## Topik Regional: model pengelompokan untuk selera musik audiens Nigeria 🎧

Audiens Nigeria yang beragam memiliki selera musik yang beragam. Menggunakan data yang diambil dari Spotify (terinspirasi oleh [artikel ini](https://towardsdatascience.com/country-wise-visual-analysis-of-music-taste-using-spotify-api-seaborn-in-python-77f5b749b421)), mari kita lihat beberapa musik yang populer di Nigeria. Dataset ini mencakup data tentang skor 'danceability', 'acousticness', kerasnya, 'speechiness', popularitas, dan energi dari berbagai lagu. Akan sangat menarik untuk menemukan pola dalam data ini!

![Turntable](../../../translated_images/turntable.f2b86b13c53302dc106aa741de9dc96ac372864cf458dd6f879119857aab01da.ms.jpg)

> Foto oleh <a href="https://unsplash.com/@marcelalaskoski?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Marcela Laskoski</a> di <a href="https://unsplash.com/s/photos/nigerian-music?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
  
Dalam rangkaian pelajaran ini, Anda akan menemukan cara baru untuk menganalisis data menggunakan teknik pengelompokan. Pengelompokan sangat berguna ketika dataset Anda tidak memiliki label. Jika memiliki label, maka teknik klasifikasi seperti yang Anda pelajari di pelajaran sebelumnya mungkin lebih berguna. Tetapi dalam kasus di mana Anda mencari untuk mengelompokkan data tanpa label, pengelompokan adalah cara yang bagus untuk menemukan pola.

> Ada alat low-code yang berguna yang dapat membantu Anda mempelajari tentang bekerja dengan model pengelompokan. Coba [Azure ML untuk tugas ini](https://docs.microsoft.com/learn/modules/create-clustering-model-azure-machine-learning-designer/?WT.mc_id=academic-77952-leestott)

## Pelajaran

1. [Pengantar pengelompokan](1-Visualize/README.md)
2. [Pengelompokan K-Means](2-K-Means/README.md)

## Kredit

Pelajaran ini ditulis dengan 🎶 oleh [Jen Looper](https://www.twitter.com/jenlooper) dengan ulasan yang bermanfaat oleh [Rishit Dagli](https://rishit_dagli) dan [Muhammad Sakib Khan Inan](https://twitter.com/Sakibinan).

Dataset [Nigerian Songs](https://www.kaggle.com/sootersaalu/nigerian-songs-spotify) bersumber dari Kaggle sebagai hasil scraping dari Spotify.

Contoh K-Means yang berguna yang membantu dalam membuat pelajaran ini termasuk [eksplorasi iris](https://www.kaggle.com/bburns/iris-exploration-pca-k-means-and-gmm-clustering) ini, [notebook pengantar](https://www.kaggle.com/prashant111/k-means-clustering-with-python) ini, dan [contoh hipotetis NGO](https://www.kaggle.com/ankandash/pca-k-means-clustering-hierarchical-clustering) ini.

**Penafian**:
Dokumen ini telah diterjemahkan menggunakan perkhidmatan terjemahan AI berasaskan mesin. Walaupun kami berusaha untuk ketepatan, sila maklum bahawa terjemahan automatik mungkin mengandungi kesilapan atau ketidaktepatan. Dokumen asal dalam bahasa asalnya harus dianggap sebagai sumber yang berwibawa. Untuk maklumat penting, terjemahan manusia profesional adalah disyorkan. Kami tidak bertanggungjawab atas sebarang salah faham atau salah tafsir yang timbul daripada penggunaan terjemahan ini.