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

機器學習中的聚類模型

聚類是一種機器學習任務，旨在尋找彼此相似的物件並將它們分組成稱為「群集」的組別。聚類與機器學習中的其他方法不同，因為它是自動進行的。事實上，可以說它是監督式學習的反面。

區域主題：針對尼日利亞觀眾音樂品味的聚類模型 🎧

尼日利亞的多元化觀眾擁有多樣化的音樂品味。使用從 Spotify 抓取的數據（靈感來自這篇文章），讓我們來看看一些在尼日利亞流行的音樂。這個數據集包含了各種歌曲的「舞蹈性」分數、「聲學性」、音量、「語音性」、流行度和能量等數據。探索這些數據中的模式將會非常有趣！

照片由 Marcela Laskoski 提供，來自 Unsplash

在這系列課程中，你將學習使用聚類技術分析數據的新方法。當你的數據集缺乏標籤時，聚類特別有用。如果數據集有標籤，那麼你在之前課程中學到的分類技術可能會更有用。但在需要分組未標記數據的情況下，聚類是一種發現模式的好方法。

有一些低代碼工具可以幫助你學習如何使用聚類模型。試試 Azure ML 來完成這項任務。

課程

1. 聚類簡介
2. K-Means 聚類

致謝

這些課程由 Jen Looper 帶著 🎶 編寫，並由 Rishit Dagli 和 Muhammad Sakib Khan Inan 提供了有益的審核。

Nigerian Songs 數據集來自 Kaggle，並從 Spotify 抓取。

有助於創建這課程的 K-Means 示例包括這個 iris 探索、這個入門筆記本，以及這個假設的 NGO 示例。

---

免責聲明：
本文件已使用人工智能翻譯服務 Co-op Translator 進行翻譯。雖然我們致力於提供準確的翻譯，但請注意，自動翻譯可能包含錯誤或不準確之處。原始語言的文件應被視為具權威性的來源。對於重要資訊，建議使用專業人工翻譯。我們對因使用此翻譯而引起的任何誤解或錯誤解釋概不負責。