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/fi/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

Klusterointimallit koneoppimiseen

Klusterointi on koneoppimisen tehtävä, jossa pyritään löytämään toisiaan muistuttavia objekteja ja ryhmittelemään ne ryhmiin, joita kutsutaan klustereiksi. Se, mikä erottaa klusteroinnin muista koneoppimisen lähestymistavoista, on se, että prosessi tapahtuu automaattisesti. Itse asiassa voidaan sanoa, että se on päinvastainen valvotulle oppimiselle.

Alueellinen aihe: klusterointimallit Nigerian yleisön musiikkimakua varten 🎧

Nigerian monimuotoinen yleisö nauttii monenlaisesta musiikista. Käyttämällä Spotifysta kerättyä dataa (inspiroituna tästä artikkelista), tarkastellaan joitakin Nigeriassa suosittuja kappaleita. Tämä datasetti sisältää tietoa kappaleiden "tanssittavuudesta", "akustisuudesta", äänenvoimakkuudesta, "puheisuudesta", suosiosta ja energiasta. On mielenkiintoista löytää kuvioita tästä datasta!

Levysoitin

Kuva: Marcela Laskoski palvelussa Unsplash

Tässä oppituntisarjassa opit uusia tapoja analysoida dataa klusterointitekniikoiden avulla. Klusterointi on erityisen hyödyllistä silloin, kun datasetistä puuttuvat etiketit. Jos datasetissä on etiketit, luokittelutekniikat, kuten aiemmissa oppitunneissa opitut, voivat olla hyödyllisempiä. Mutta tilanteissa, joissa haluat ryhmitellä etiketöimätöntä dataa, klusterointi on erinomainen tapa löytää kuvioita.

On olemassa hyödyllisiä vähäkoodisia työkaluja, jotka voivat auttaa sinua oppimaan klusterointimallien kanssa työskentelyä. Kokeile Azure ML:ää tähän tehtävään

Oppitunnit

  1. Johdatus klusterointiin
  2. K-Means-klusterointi

Tekijät

Nämä oppitunnit kirjoitettiin 🎶 Jen Looperin toimesta, ja niitä tarkistivat hyödyllisesti Rishit Dagli ja Muhammad Sakib Khan Inan.

Nigerian Songs datasetti on peräisin Kagglesta ja kerätty Spotifysta.

Hyödyllisiä K-Means-esimerkkejä, jotka auttoivat tämän oppitunnin luomisessa, ovat tämä iris-tutkimus, tämä aloitusnotebook ja tämä hypoteettinen NGO-esimerkki.

Vastuuvapauslauseke:
Tämä asiakirja on käännetty käyttämällä tekoälypohjaista käännöspalvelua Co-op Translator. Vaikka pyrimme tarkkuuteen, huomioithan, että automaattiset käännökset voivat sisältää virheitä tai epätarkkuuksia. Alkuperäistä asiakirjaa sen alkuperäisellä kielellä tulisi pitää ensisijaisena lähteenä. Kriittisen tiedon osalta suositellaan ammattimaista ihmiskäännöstä. Emme ole vastuussa väärinkäsityksistä tai virhetulkinnoista, jotka johtuvat tämän käännöksen käytöstä.