You can not select more than 25 topics
Topics must start with a letter or number, can include dashes ('-') and can be up to 35 characters long.
35 lines
6.8 KiB
35 lines
6.8 KiB
# ម៉ូដែលក្រុមសម្រាប់ការសិក្សាម៉ាស៊ីន
|
|
|
|
ក្រុមគឺជាការប្រព្រឹត្តិការណ៍សិក្សាម៉ាស៊ីនមួយ ដែលវាមើលរកវត្ថុដែលដូចគ្នា ហើយក៏ផ្ដុំវាទៅជាក្រុមដែលហៅថា ក្រុមសំណុំ។ អ្វីដែលខុសគ្នារវាងការក្រុម និងវិធីសាស្រ្តផ្សេងទៀតក្នុងការសិក្សាម៉ាស៊ីន គឺថា អ្វីៗបានកើតឡើងដោយស្វ័យប្រវត្តិ មិនមែនដូចការសិក្សាផ្ទាល់ដឹកនាំ។
|
|
|
|
## ប្រធានបទតំបន់៖ ម៉ូដែលក្រុមសម្រាប់ចំណូលចិត្តតន្ត្រីរបស់អ្នកស្តាប់នៅនីហ្សេរីយ៉ា 🎧
|
|
|
|
ចំនូនអ្នកស្តាប់ពហុមុខជាតិនៅនីហ្សេរីយ៉ាមានចំណូលចិត្តតន្ត្រីផ្សេងៗគ្នា។ ដោយប្រើទិន្នន័យដែលទាញយកពី Spotify (បានបង្កើតច្រកពី [អត្ថបទនេះ](https://towardsdatascience.com/country-wise-visual-analysis-of-music-taste-using-spotify-api-seaborn-in-python-77f5b749b421)) យើងមកមើលតន្ត្រីដែលពេញនិយមនៅនីហ្សេរីយ៉ា។ ឈុតទិន្នន័យនេះរួមមានទិន្នន័យអំពីពិន្ទុ 'ការបន្ទាត់ចលនា', 'ភាពសំឡេងស្ងាត់', រសជាតិសម្លេង, 'ភាពនិយាយ', ភាពពេញនិយម និងថាមពលនៃបទចម្រៀងនានា។ វានឹងគួរឱ្យចាប់អារម្មណ៍ក្នុងការស្វែងរកលំនាំជាក់លាក់នៅក្នុងទិន្នន័យនេះ!
|
|
|
|
|
|
|
|
> រូបថតដោយ <a href="https://unsplash.com/@marcelalaskoski?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Marcela Laskoski</a> នៅ <a href="https://unsplash.com/s/photos/nigerian-music?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
|
|
|
|
ក្នុងបណ្ដុំនៃមេរៀននេះ អ្នកនឹងស្វែងរកវិធីថ្មីៗក្នុងការវិភាគទិន្នន័យដោយប្រើបច្ចេកទេសក្រុម។ ក្រុមមានប្រយោជន៍ពិសេសនៅពេលដែលឈុតទិន្នន័យរបស់អ្នកគ្មានស្លាកបង្ហាញ។ បើវាមានស្លាក បច្ចេកទេសចាត់ថ្នាក់ដូចដែលអ្នកបានរៀនក្នុងមេរៀនមុនប្រហែលជាមានប្រយោជន៍ជាង។ តែក្នុងករណីដែលអ្នកចង់បណ្ដុំទិន្នន័យគ្មានស្លាក ក្រុមគឺជាវិធីល្អក្នុងការស្វែងរកលំនាំ។
|
|
|
|
> មានឧបករណ៍កូដទាបដែលមានប្រយោជន៍ដែលអាចជួយអ្នកបង្រៀនអំពីការងារជាមួយម៉ូដែលក្រុម។ សូមសាកល្បង [Azure ML សម្រាប់ភារកិច្ចនេះ](https://docs.microsoft.com/learn/modules/create-clustering-model-azure-machine-learning-designer/?WT.mc_id=academic-77952-leestott)
|
|
|
|
## មេរៀន
|
|
|
|
1. [ការណែនាំអំពីក្រុមសំណុំ](1-Visualize/README.md)
|
|
2. [ក្រុមសំណុំ K-Means](2-K-Means/README.md)
|
|
|
|
## អធិប្បាយ
|
|
|
|
មេរៀនទាំងនេះបានសរសេរដោយ 🎶 ជាមួយ [Jen Looper](https://www.twitter.com/jenlooper) មានការត្រួតពិនិត្យមានប្រយោជន៍ពី [Rishit Dagli](https://rishit_dagli) និង [Muhammad Sakib Khan Inan](https://twitter.com/Sakibinan)។
|
|
|
|
ឈុតទិន្នន័យ [បទចម្រៀងនីហ្សេរីយ៉ា](https://www.kaggle.com/sootersaalu/nigerian-songs-spotify) ត្រូវបានទាញយកពី Kaggle ហើយបានស្រែបថតពី Spotify ។
|
|
|
|
ឧទាហរណ៍ K-Means មានប្រយោជន៍ដែលជួយក្នុងការបង្កើតមេរៀននេះ រួមមានការស្រាវជ្រាវ [ផ្ដើមពីឧទាហរណ៍ iris](https://www.kaggle.com/bburns/iris-exploration-pca-k-means-and-gmm-clustering), សញ្ញាណាមូល [សៀវភៅប្រតិបត្តិការណ៍ដំណើរការ](https://www.kaggle.com/prashant111/k-means-clustering-with-python) និងឧទាហរណ៍ NGO ស្វែងរក [ឧទាហរណ៍សារធាតុ](https://www.kaggle.com/ankandash/pca-k-means-clustering-hierarchical-clustering)។
|
|
|
|
---
|
|
|
|
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
|
**ការដោះស្រាយ**៖
|
|
ឯកសារនេះត្រូវបានបកប្រែដោយប្រើសេវាបកប្រែ AI [Co-op Translator](https://github.com/Azure/co-op-translator)។ ខណៈពេលយើងខិតខំធ្វើឱ្យមានភាពត្រឹមត្រូវ សូមមេត្តាត្រួតពិនិត្យថាការបកប្រែដោយស្វ័យប្រវត្តិអាចមានកំហុសឬកំហុសផ្ទាល់ខ្លួន។ ឯកសារដើមជាភាសាតំណើបត្រូវបានពិចារណា ដោយគេដឹងថាជាដើម។ សម្រាប់ព័ត៌មានសំខាន់ៗ ការបកប្រែដោយមនុស្សជំនាញត្រូវបានផ្ដល់អនុសាសន៍។ យើងមិនទទួលខុសត្រូវចំពោះការយល់ច្រឡំ ឬការបកប្រែខុសៗណាមួយដែលកើតមានពីការប្រើប្រាស់ការបកប្រែនេះនោះទេ។
|
|
<!-- CO-OP TRANSLATOR DISCLAIMER END --> |