msb-public
/
ML-For-Beginners
mirror of https://github.com/microsoft/ML-For-Beginners.git
1
0
Code Issues Projects Releases Wiki Activity
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.
Branches Tags
${ item.name }
Create tag ${ searchTerm }
Create branch ${ searchTerm }
from 'main'
${ noResults }
ML-For-Beginners/translations/da/5-Clustering
History
leestott e4050807fb
🌐 Update translations via Co-op Translator 		2 weeks ago
..
1-Visualize 🌐 Update translations via Co-op Translator 2 weeks ago
2-K-Means 🌐 Update translations via Co-op Translator 2 weeks ago
README.md 🌐 Update translations via Co-op Translator 2 weeks ago

README.md

Klyngemodeller til maskinlæring

Klyngedannelse er en maskinlæringsopgave, hvor man forsøger at finde objekter, der ligner hinanden, og gruppere dem i grupper kaldet klynger. Det, der adskiller klyngedannelse fra andre tilgange inden for maskinlæring, er, at processen sker automatisk. Faktisk kan man sige, at det er det modsatte af superviseret læring.

Regionalt emne: klyngemodeller for en nigeriansk målgruppes musiksmag 🎧

Nigerias mangfoldige befolkning har en lige så mangfoldig musiksmag. Ved at bruge data hentet fra Spotify (inspireret af denne artikel), kan vi se på noget af den musik, der er populær i Nigeria. Dette datasæt indeholder information om forskellige sanges 'danceability'-score, 'acousticness', lydstyrke, 'speechiness', popularitet og energi. Det bliver spændende at opdage mønstre i disse data!

En pladespiller

Foto af Marcela Laskoski på Unsplash

I denne lektionsserie vil du opdage nye måder at analysere data på ved hjælp af klyngedannelsesteknikker. Klyngedannelse er særligt nyttigt, når dit datasæt mangler labels. Hvis det har labels, kan klassifikationsteknikker, som dem du lærte i tidligere lektioner, være mere nyttige. Men i tilfælde, hvor du ønsker at gruppere ulabellede data, er klyngedannelse en fantastisk måde at opdage mønstre på.

Der findes nyttige low-code værktøjer, der kan hjælpe dig med at arbejde med klyngemodeller. Prøv Azure ML til denne opgave

Lektioner

  1. Introduktion til klyngedannelse
  2. K-Means klyngedannelse

Credits

Disse lektioner blev skrevet med 🎶 af Jen Looper med værdifulde anmeldelser fra Rishit Dagli og Muhammad Sakib Khan Inan.

Datasættet Nigerian Songs blev hentet fra Kaggle og er baseret på data fra Spotify.

Nyttige K-Means eksempler, der bidrog til at skabe denne lektion, inkluderer denne iris-undersøgelse, denne introducerende notebook, og dette hypotetiske NGO-eksempel.

Ansvarsfraskrivelse:
Dette dokument er blevet oversat ved hjælp af AI-oversættelsestjenesten Co-op Translator. Selvom vi bestræber os på nøjagtighed, skal du være opmærksom på, at automatiserede oversættelser kan indeholde fejl eller unøjagtigheder. Det originale dokument på dets oprindelige sprog bør betragtes som den autoritative kilde. For kritisk information anbefales professionel menneskelig oversættelse. Vi er ikke ansvarlige for eventuelle misforståelser eller fejltolkninger, der måtte opstå som følge af brugen af denne oversættelse.