3.6 KiB
Modelos de clustering para aprendizaje automático
El clustering es una tarea de aprendizaje automático que busca encontrar objetos que se asemejan entre sí y agruparlos en grupos llamados clústeres. Lo que diferencia al clustering de otros enfoques en el aprendizaje automático es que las cosas suceden automáticamente, de hecho, es justo decir que es lo opuesto al aprendizaje supervisado.
Tema regional: modelos de clustering para el gusto musical de una audiencia nigeriana 🎧
La diversa audiencia de Nigeria tiene gustos musicales variados. Utilizando datos extraídos de Spotify (inspirados por este artículo), veamos algunas músicas populares en Nigeria. Este conjunto de datos incluye información sobre varias canciones como la puntuación de 'danceability', 'acousticness', volumen, 'speechiness', popularidad y energía. ¡Será interesante descubrir patrones en estos datos!
Foto por Marcela Laskoski en Unsplash
En esta serie de lecciones, descubrirás nuevas formas de analizar datos utilizando técnicas de clustering. El clustering es particularmente útil cuando tu conjunto de datos carece de etiquetas. Si tiene etiquetas, entonces las técnicas de clasificación como las que aprendiste en lecciones anteriores podrían ser más útiles. Pero en casos donde buscas agrupar datos sin etiquetar, el clustering es una excelente manera de descubrir patrones.
Hay herramientas de bajo código útiles que pueden ayudarte a aprender a trabajar con modelos de clustering. Prueba Azure ML para esta tarea
Lecciones
Créditos
Estas lecciones fueron escritas con 🎶 por Jen Looper con revisiones útiles de Rishit Dagli y Muhammad Sakib Khan Inan.
El conjunto de datos Nigerian Songs fue obtenido de Kaggle y extraído de Spotify.
Ejemplos útiles de K-Means que ayudaron en la creación de esta lección incluyen esta exploración de iris, este cuaderno introductorio, y este ejemplo hipotético de ONG.
**Descargo de responsabilidad**:
Este documento ha sido traducido utilizando servicios de traducción automatizada por inteligencia artificial. Si bien nos esforzamos por la precisión, tenga en cuenta que las traducciones automáticas pueden contener errores o inexactitudes. El documento original en su idioma nativo debe considerarse la fuente autorizada. Para información crítica, se recomienda una traducción profesional humana. No somos responsables de ningún malentendido o interpretación errónea que surja del uso de esta traducción.