ML-For-Beginners/translations/sw/5-Clustering

Mifano ya Clustering kwa ajili ya ujifunzaji wa mashine

Clustering ni kazi ya ujifunzaji wa mashine ambapo inatafuta vitu vinavyofanana na kuviweka katika makundi yanayoitwa clusters. Kitu kinachotofautisha clustering na mbinu nyingine za ujifunzaji wa mashine ni kwamba mambo hufanyika moja kwa moja, kwa kweli, ni sahihi kusema ni kinyume cha ujifunzaji unaosimamiwa.

Mada ya Kikanda: mifano ya clustering kwa ladha ya muziki ya hadhira ya Nigeria 🎧

Hadhira ya Nigeria ina ladha mbalimbali za muziki. Kutumia data zilizokusanywa kutoka Spotify (zilizoongozwa na makala hii), hebu tuangalie baadhi ya muziki maarufu nchini Nigeria. Dataset hii inajumuisha data kuhusu alama za 'danceability' za nyimbo mbalimbali, 'acousticness', kelele, 'speechiness', umaarufu na nishati. Itakuwa ya kuvutia kugundua mifumo katika data hii!

Picha na Marcela Laskoski kwenye Unsplash

Katika mfululizo huu wa masomo, utagundua njia mpya za kuchambua data kwa kutumia mbinu za clustering. Clustering ni muhimu sana wakati dataset yako haina lebo. Ikiwa ina lebo, basi mbinu za uainishaji kama zile ulizojifunza katika masomo ya awali zinaweza kuwa na manufaa zaidi. Lakini katika hali ambapo unatafuta kuunganisha data isiyo na lebo, clustering ni njia nzuri ya kugundua mifumo.

Kuna zana za kiwango cha chini cha msimbo zinazoweza kukusaidia kujifunza kuhusu kufanya kazi na mifano ya clustering. Jaribu Azure ML kwa kazi hii

Masomo

1. Utangulizi wa clustering
2. Clustering ya K-Means

Shukrani

Masomo haya yaliandikwa na 🎶 na Jen Looper kwa ukaguzi wa msaada kutoka kwa Rishit Dagli na Muhammad Sakib Khan Inan.

Dataset ya Nyimbo za Nigeria ilitolewa kutoka Kaggle kama ilivyokusanywa kutoka Spotify.

Mifano ya K-Means yenye manufaa ambayo ilisaidia katika kuunda somo hili ni pamoja na huu uchunguzi wa iris, hii notebook ya utangulizi, na huu mfano wa kidhahania wa NGO.

Kanusho: Hati hii imetafsiriwa kwa kutumia huduma za tafsiri za AI zinazotumia mashine. Ingawa tunajitahidi kwa usahihi, tafadhali fahamu kuwa tafsiri za kiotomatiki zinaweza kuwa na makosa au kutokuwa sahihi. Hati asili katika lugha yake ya awali inapaswa kuchukuliwa kama chanzo cha mamlaka. Kwa taarifa muhimu, tafsiri ya kibinadamu ya kitaalamu inapendekezwa. Hatutawajibika kwa kutoelewana au tafsiri zisizo sahihi zinazotokana na matumizi ya tafsiri hii.