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

Модели кластеризации для машинного обучения

Кластеризация — это задача машинного обучения, в которой необходимо найти объекты, похожие друг на друга, и сгруппировать их в группы, называемые кластерами. То, что отличает кластеризацию от других подходов в машинном обучении, заключается в том, что всё происходит автоматически; по сути, это можно считать противоположностью контролируемого обучения.

Региональная тема: модели кластеризации для музыкальных предпочтений аудитории Нигерии 🎧

Разнообразная аудитория Нигерии имеет разнообразные музыкальные вкусы. Используя данные, собранные из Spotify (вдохновленные этой статьей), давайте посмотрим на некоторые популярные в Нигерии музыкальные произведения. Этот набор данных включает информацию о таких характеристиках песен, как 'танцевальность', 'акустичность', громкость, 'речевое содержание', популярность и энергия. Будет интересно обнаружить закономерности в этих данных!

Фото от Марсела Ласкоски на Unsplash

В этой серии уроков вы откроете новые способы анализа данных с использованием методов кластеризации. Кластеризация особенно полезна, когда в вашем наборе данных отсутствуют метки. Если метки присутствуют, то методы классификации, такие как те, которые вы изучали на предыдущих уроках, могут быть более полезными. Но в случаях, когда вы хотите сгруппировать немаркированные данные, кластеризация является отличным способом обнаружить закономерности.

Существуют полезные инструменты с низким кодом, которые могут помочь вам узнать о работе с моделями кластеризации. Попробуйте Azure ML для этой задачи

Уроки

1. Введение в кластеризацию
2. Кластеризация K-Means

Благодарности

Эти уроки были написаны с 🎶 Джен Лупер с полезными отзывами от Ришита Дагли и Мухаммада Сакиба Хана Ирана.

Набор данных Нигерийские песни был получен из Kaggle, собранный из Spotify.

Полезные примеры K-Means, которые помогли в создании этого урока, включают исследование ирисов, этот вводный ноутбук и этот гипотетический пример НПО.

Отказ от ответственности:
Этот документ был переведен с использованием услуг машинного перевода на основе ИИ. Хотя мы стремимся к точности, пожалуйста, имейте в виду, что автоматические переводы могут содержать ошибки или неточности. Оригинальный документ на родном языке следует считать авторитетным источником. Для критически важной информации рекомендуется профессиональный человеческий перевод. Мы не несем ответственности за любые недоразумения или неправильные толкования, возникающие в результате использования этого перевода.