# Μοντέλα ομαδοποίησης για μηχανική μάθηση Η ομαδοποίηση είναι μια εργασία μηχανικής μάθησης που στοχεύει να βρει αντικείμενα που μοιάζουν μεταξύ τους και να τα ομαδοποιήσει σε ομάδες που ονομάζονται συστάδες. Αυτό που διαφοροποιεί την ομαδοποίηση από άλλες προσεγγίσεις στη μηχανική μάθηση είναι ότι όλα γίνονται αυτόματα. Στην πραγματικότητα, είναι δίκαιο να πούμε ότι είναι το αντίθετο της εποπτευόμενης μάθησης. ## Τοπικό θέμα: μοντέλα ομαδοποίησης για τις μουσικές προτιμήσεις του κοινού της Νιγηρίας 🎧 Το ποικιλόμορφο κοινό της Νιγηρίας έχει ποικιλόμορφες μουσικές προτιμήσεις. Χρησιμοποιώντας δεδομένα που συλλέχθηκαν από το Spotify (εμπνευσμένα από [αυτό το άρθρο](https://towardsdatascience.com/country-wise-visual-analysis-of-music-taste-using-spotify-api-seaborn-in-python-77f5b749b421)), ας εξετάσουμε μερικά δημοφιλή τραγούδια στη Νιγηρία. Αυτό το σύνολο δεδομένων περιλαμβάνει πληροφορίες για διάφορα τραγούδια, όπως το σκορ 'danceability', την 'acousticness', την ένταση, την 'speechiness', τη δημοτικότητα και την ενέργεια. Θα είναι ενδιαφέρον να ανακαλύψουμε μοτίβα σε αυτά τα δεδομένα!  > Φωτογραφία από Marcela Laskoski στο Unsplash Σε αυτή τη σειρά μαθημάτων, θα ανακαλύψετε νέους τρόπους ανάλυσης δεδομένων χρησιμοποιώντας τεχνικές ομαδοποίησης. Η ομαδοποίηση είναι ιδιαίτερα χρήσιμη όταν το σύνολο δεδομένων σας δεν έχει ετικέτες. Εάν έχει ετικέτες, τότε οι τεχνικές ταξινόμησης, όπως αυτές που μάθατε σε προηγούμενα μαθήματα, μπορεί να είναι πιο χρήσιμες. Αλλά σε περιπτώσεις όπου θέλετε να ομαδοποιήσετε δεδομένα χωρίς ετικέτες, η ομαδοποίηση είναι ένας εξαιρετικός τρόπος για να ανακαλύψετε μοτίβα. > Υπάρχουν χρήσιμα εργαλεία χαμηλού κώδικα που μπορούν να σας βοηθήσουν να μάθετε πώς να εργάζεστε με μοντέλα ομαδοποίησης. Δοκιμάστε [Azure ML για αυτήν την εργασία](https://docs.microsoft.com/learn/modules/create-clustering-model-azure-machine-learning-designer/?WT.mc_id=academic-77952-leestott) ## Μαθήματα 1. [Εισαγωγή στην ομαδοποίηση](1-Visualize/README.md) 2. [Ομαδοποίηση K-Means](2-K-Means/README.md) ## Πιστώσεις Αυτά τα μαθήματα γράφτηκαν με 🎶 από την [Jen Looper](https://www.twitter.com/jenlooper) με χρήσιμες κριτικές από τον [Rishit Dagli](https://rishit_dagli) και τον [Muhammad Sakib Khan Inan](https://twitter.com/Sakibinan). Το σύνολο δεδομένων [Nigerian Songs](https://www.kaggle.com/sootersaalu/nigerian-songs-spotify) προήλθε από το Kaggle και συλλέχθηκε από το Spotify. Χρήσιμα παραδείγματα K-Means που βοήθησαν στη δημιουργία αυτού του μαθήματος περιλαμβάνουν αυτήν την [εξερεύνηση του iris](https://www.kaggle.com/bburns/iris-exploration-pca-k-means-and-gmm-clustering), αυτό το [εισαγωγικό notebook](https://www.kaggle.com/prashant111/k-means-clustering-with-python) και αυτό το [υποθετικό παράδειγμα ΜΚΟ](https://www.kaggle.com/ankandash/pca-k-means-clustering-hierarchical-clustering). --- **Αποποίηση ευθύνης**: Αυτό το έγγραφο έχει μεταφραστεί χρησιμοποιώντας την υπηρεσία αυτόματης μετάφρασης [Co-op Translator](https://github.com/Azure/co-op-translator). Παρόλο που καταβάλλουμε προσπάθειες για ακρίβεια, παρακαλούμε να έχετε υπόψη ότι οι αυτοματοποιημένες μεταφράσεις ενδέχεται να περιέχουν λάθη ή ανακρίβειες. Το πρωτότυπο έγγραφο στη μητρική του γλώσσα θα πρέπει να θεωρείται η αυθεντική πηγή. Για κρίσιμες πληροφορίες, συνιστάται επαγγελματική ανθρώπινη μετάφραση. Δεν φέρουμε ευθύνη για τυχόν παρεξηγήσεις ή εσφαλμένες ερμηνείες που προκύπτουν από τη χρήση αυτής της μετάφρασης.