# యాంత్రిక అధ్యయనానికి క్లస్టరింగ్ మోడళ్లను

క్లస్టరింగ్ అనేది యాంత్రిక అధ్యయనంలో ఒక పని, ఇది ఒకరిని పోలి ఉండే వస్తువులను కనుగొని వాటిని క్లస్టర్లుగా పిలవబడే గుంపులుగా వర్గీకరించడానికి చూస్తుంది. యాంత్రిక అధ్యయనంలోని ఇతర పద్ధతుల నుండి క్లస్టరింగ్ విభిన్నంగా ఉండేది ఏమిటంటే, విషయాలు స్వయంచాలకంగా జరుగుతాయి, వాస్తవానికి ఇది పర్యవేక్షిత అధ్యయనానికి వ్యతిరేకమని చెప్పడం సరైనది.

## ప్రాంతీయ విషయం: నైజీరియన్ ఆడియెన్సు సంగీత రుచి కోసం క్లస్టరింగ్ మోడళ్లు 🎧

నైజీరియాలో వివిధ రకాల ప్రేక్షకులు వివిధ రకాల సంగీత రుచులను కలిగి ఉన్నారు. Spotify నుండి సేకరించిన డేటాను ఉపయోగించి (ఈ వ్యాసం నుంచి ప్రేరణ పొందిన [this article](https://towardsdatascience.com/country-wise-visual-analysis-of-music-taste-using-spotify-api-seaborn-in-python-77f5b749b421)), నైజీరియాలో ప్రాచుర్యంలో ఉన్న కొన్ని పాటలను చూద్దాం. ఈ డేటాసెట్ వివిధ పాటల 'డ్యాన్సబిలిటీ' స్కోరు, 'ఆకస్టిక్‌నెస్', లౌడ్‌నెస్, 'స్పీచినెస్', ప్రాచుర్యం మరియు ఎనర్జీ గురించి డేటాను కలిగి ఉంది. ఈ డేటాలో ప్యాటర్న్‌లు కనుగొనడం ఆసక్తికరంగా ఉంటుంది!

![ఒక టర్న్‌టేబుల్](../../../translated_images/te/turntable.f2b86b13c53302dc.webp)

> ఫోటో <a href="https://unsplash.com/@marcelalaskoski?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Marcela Laskoski</a> వారు <a href="https://unsplash.com/s/photos/nigerian-music?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a> లోనిది
  
ఈ పాఠశ్రేణిలో, మీరు క్లస్టరింగ్ సాంకేతికతలను ఉపయోగించి డేటాను విశ్లేషించే కొత్త మార్గాలను కనుగొంటారు. క్లస్టరింగ్ మీ డేటాసెట్ లేబుల్స్ లేకపోతే ప్రత్యేకంగా ఉపయోగకరం. అది లేబుల్స్ కలిగి ఉంటే, మీరు మాజీ పాఠాలలో నేర్చుకున్న వర్గీకరణ సాంకేతికతలు మరింత ఉపయోగకరంగా ఉండవచ్చు. కానీ లేబుల్తో గాను లేబుల్స్ లేని డేటాను గుంపుగా విడగొట్టాలనుకున్నప్పుడు, క్లస్టరింగ్ మంచి మార్గంగా ప్యాటర్న్‌లను కనుగొనేందుకు అనుకూలం.

> క్లస్టరింగ్ మోడళ్లతో పని చేయడం గురించి నేర్చుకోవడానికి సహాయపడే కొన్ని తక్కువ కోడ్ టూల్స్ ఉన్నాయి. ఈ పనికి [Azure ML ప్రయత్నించండి](https://docs.microsoft.com/learn/modules/create-clustering-model-azure-machine-learning-designer/?WT.mc_id=academic-77952-leestott)

## పాఠాలు

1. [క్లస్టరింగ్ పరిచయం](1-Visualize/README.md)
2. [కె-మీన్స్ క్లస్టరింగ్](2-K-Means/README.md)

## క్రెడిట్స్

ఈ పాఠాలు 🎶 [జెన్ లూపర్](https://www.twitter.com/jenlooper) ద్వారా రచించబడ్డాయి, సహాయక సమీక్షలు [రిషిత్ దగ్లీ](https://rishit_dagli/) మరియు [ముహమ్మద్ సకిబ్ ఖాన్ ఇనాన్](https://twitter.com/Sakibinan)చే చేయబడ్డాయి.

[నైజీరియన్ సాంగ్స్](https://www.kaggle.com/sootersaalu/nigerian-songs-spotify) డేటాసెట్ Spotify నుండి సేకరించి Kaggle నుండి లభించింది.

ఈ పాఠాన్ని సృష్టించడంలో సహాయపడిన ఉపయోగకరమైన కె-మీన్స్ ఉదాహరణలు ఇందులో ఉన్నాయి: ఈ [ఐరిస్ అన్వేషణ](https://www.kaggle.com/bburns/iris-exploration-pca-k-means-and-gmm-clustering), ఈ [పరిచయ నోట్‌బుక్](https://www.kaggle.com/prashant111/k-means-clustering-with-python), మరియు ఈ [సంభావ్య NGO ఉదాహరణ](https://www.kaggle.com/ankandash/pca-k-means-clustering-hierarchical-clustering).

---

<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**అస్వీకరణ**:
ఈ పత్రం AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నిస్తున్నప్పటికీ, ఆటోమేటెడ్ అనువాదాలు తప్పులు లేదా అసమగ్రతలను కలిగి ఉండవచ్చు. దాని స్వదేశ భాషలో ఉన్న అసలు పత్రాన్ని అధికారం కలిగిన మూలంగా పరిగణించాలి. కీలకమైన సమాచారం కోసం, ప్రొఫెషనల్ మానవ అనువాదాన్ని సిఫారసు చేస్తాము. ఈ అనువాదం ఉపయోగం వల్ల కలిగే ఏవైనా అపార్థాలు లేదా తప్పుదారులు కోసం మేము బాధ్యత వహించము.
<!-- CO-OP TRANSLATOR DISCLAIMER END -->