# 機器學習中的聚類模型 聚類是一種機器學習任務，旨在尋找彼此相似的物件並將它們分組成稱為「群集」的組別。聚類與機器學習中的其他方法不同，因為它是自動進行的。事實上，可以說它是監督式學習的反面。 ## 區域主題：針對尼日利亞觀眾音樂品味的聚類模型 🎧 尼日利亞的多元化觀眾擁有多樣化的音樂品味。使用從 Spotify 抓取的數據（靈感來自[這篇文章](https://towardsdatascience.com/country-wise-visual-analysis-of-music-taste-using-spotify-api-seaborn-in-python-77f5b749b421)），讓我們來看看一些在尼日利亞流行的音樂。這個數據集包含了各種歌曲的「舞蹈性」分數、「聲學性」、音量、「語音性」、流行度和能量等數據。探索這些數據中的模式將會非常有趣！  > 照片由 Marcela Laskoski 提供，來自 Unsplash 在這系列課程中，你將學習使用聚類技術分析數據的新方法。當你的數據集缺乏標籤時，聚類特別有用。如果數據集有標籤，那麼你在之前課程中學到的分類技術可能會更有用。但在需要分組未標記數據的情況下，聚類是一種發現模式的好方法。 > 有一些低代碼工具可以幫助你學習如何使用聚類模型。試試 [Azure ML](https://docs.microsoft.com/learn/modules/create-clustering-model-azure-machine-learning-designer/?WT.mc_id=academic-77952-leestott) 來完成這項任務。 ## 課程 1. [聚類簡介](1-Visualize/README.md) 2. [K-Means 聚類](2-K-Means/README.md) ## 致謝 這些課程由 [Jen Looper](https://www.twitter.com/jenlooper) 帶著 🎶 編寫，並由 [Rishit Dagli](https://rishit_dagli) 和 [Muhammad Sakib Khan Inan](https://twitter.com/Sakibinan) 提供了有益的審核。 [Nigerian Songs](https://www.kaggle.com/sootersaalu/nigerian-songs-spotify) 數據集來自 Kaggle，並從 Spotify 抓取。 有助於創建這課程的 K-Means 示例包括這個 [iris 探索](https://www.kaggle.com/bburns/iris-exploration-pca-k-means-and-gmm-clustering)、這個[入門筆記本](https://www.kaggle.com/prashant111/k-means-clustering-with-python)，以及這個[假設的 NGO 示例](https://www.kaggle.com/ankandash/pca-k-means-clustering-hierarchical-clustering)。 --- **免責聲明**： 本文件已使用人工智能翻譯服務 [Co-op Translator](https://github.com/Azure/co-op-translator) 進行翻譯。雖然我們致力於提供準確的翻譯，但請注意，自動翻譯可能包含錯誤或不準確之處。原始語言的文件應被視為具權威性的來源。對於重要資訊，建議使用專業人工翻譯。我們對因使用此翻譯而引起的任何誤解或錯誤解釋概不負責。