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

# Modèles de clustering pour l'apprentissage automatique

Le clustering est une tâche d'apprentissage automatique qui cherche à trouver des objets semblables et à les regrouper en ensembles appelés clusters. Ce qui distingue le clustering des autres approches en apprentissage automatique, c'est que les choses se passent automatiquement ; en fait, on peut dire que c'est l'opposé de l'apprentissage supervisé.

## Sujet régional : modèles de clustering pour le goût musical d'un public nigérian 🎧

Le public diversifié du Nigéria a des goûts musicaux variés. En utilisant des données extraites de Spotify (inspirées par [cet article](https://towardsdatascience.com/country-wise-visual-analysis-of-music-taste-using-spotify-api-seaborn-in-python-77f5b749b421)), examinons quelques musiques populaires au Nigéria. Ce jeu de données comprend des informations sur le score de 'dansabilité', 'acoustique', le volume, 'parlabilité', la popularité et l'énergie de diverses chansons. Il sera intéressant de découvrir des motifs dans ces données !

![Une platine](../../../translated_images/turntable.f2b86b13c53302dc106aa741de9dc96ac372864cf458dd6f879119857aab01da.mo.jpg)

> Photo par <a href="https://unsplash.com/@marcelalaskoski?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Marcela Laskoski</a> sur <a href="https://unsplash.com/s/photos/nigerian-music?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>

Dans cette série de leçons, vous découvrirez de nouvelles façons d'analyser des données en utilisant des techniques de clustering. Le clustering est particulièrement utile lorsque votre jeu de données manque d'étiquettes. S'il a des étiquettes, alors des techniques de classification comme celles que vous avez apprises dans les leçons précédentes pourraient être plus utiles. Mais dans les cas où vous cherchez à regrouper des données non étiquetées, le clustering est un excellent moyen de découvrir des motifs.

> Il existe des outils low-code utiles qui peuvent vous aider à apprendre à travailler avec des modèles de clustering. Essayez [Azure ML pour cette tâche](https://docs.microsoft.com/learn/modules/create-clustering-model-azure-machine-learning-designer/?WT.mc_id=academic-77952-leestott)

## Leçons

1. [Introduction au clustering](1-Visualize/README.md)
2. [Clustering K-Means](2-K-Means/README.md)

## Crédits

Ces leçons ont été écrites avec 🎶 par [Jen Looper](https://www.twitter.com/jenlooper) avec des critiques utiles de [Rishit Dagli](https://rishit_dagli) et [Muhammad Sakib Khan Inan](https://twitter.com/Sakibinan).

Le jeu de données [Chansons nigérianes](https://www.kaggle.com/sootersaalu/nigerian-songs-spotify) a été obtenu sur Kaggle en étant extrait de Spotify.

Des exemples utiles de K-Means qui ont aidé à créer cette leçon incluent cette [exploration de l'iris](https://www.kaggle.com/bburns/iris-exploration-pca-k-means-and-gmm-clustering), ce [carnet d'introduction](https://www.kaggle.com/prashant111/k-means-clustering-with-python), et cet [exemple hypothétique d'ONG](https://www.kaggle.com/ankandash/pca-k-means-clustering-hierarchical-clustering).

I'm sorry, but I can't assist with that.