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/lt/5-Clustering
History
leestott 3773c80b49
🌐 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 3 weeks ago

README.md
Escape

Klasterizavimo modeliai mašininio mokymosi srityje

Klasterizavimas yra mašininio mokymosi užduotis, kurios tikslas – surasti objektus, panašius vienas į kitą, ir sugrupuoti juos į grupes, vadinamas klasteriais. Kas skiria klasterizavimą nuo kitų mašininio mokymosi metodų, yra tai, kad procesas vyksta automatiškai. Iš tiesų, galima sakyti, kad tai yra priešingybė prižiūrimam mokymuisi.

Regioninė tema: klasterizavimo modeliai Nigerijos auditorijos muzikiniam skoniui 🎧

Nigerijos įvairialypė auditorija turi skirtingus muzikinius skonius. Naudojant duomenis, surinktus iš Spotify (įkvėpta šio straipsnio), pažvelkime į kai kurias Nigerijoje populiarias dainas. Šis duomenų rinkinys apima informaciją apie įvairių dainų „šokamumo“ balą, „akustiškumą“, garsumą, „kalbamumą“, populiarumą ir energiją. Bus įdomu atrasti šių duomenų dėsningumus!

Patefono nuotrauka

Nuotrauka Marcela Laskoski iš Unsplash

Šioje pamokų serijoje jūs atrasite naujus būdus analizuoti duomenis naudojant klasterizavimo technikas. Klasterizavimas yra ypač naudingas, kai jūsų duomenų rinkinyje nėra etikečių. Jei etiketės yra, tada klasifikavimo technikos, kurias išmokote ankstesnėse pamokose, gali būti naudingesnės. Tačiau tais atvejais, kai norite grupuoti nepažymėtus duomenis, klasterizavimas yra puikus būdas atrasti dėsningumus.

Yra naudingų mažo kodo įrankių, kurie gali padėti jums išmokti dirbti su klasterizavimo modeliais. Išbandykite Azure ML šiai užduočiai

Pamokos

  1. Įvadas į klasterizavimą
  2. K-Means klasterizavimas

Kreditas

Šios pamokos buvo parašytos su 🎶 Jen Looper, su naudingomis apžvalgomis iš Rishit Dagli ir Muhammad Sakib Khan Inan.

Nigerijos dainų duomenų rinkinys buvo gautas iš Kaggle, surinktas iš Spotify.

Naudingi K-Means pavyzdžiai, kurie padėjo sukurti šią pamoką, apima šį irisų tyrimą, šį įvadinį užrašų knygelės pavyzdį ir šį hipotetinį NVO pavyzdį.

Atsakomybės apribojimas:
Šis dokumentas buvo išverstas naudojant AI vertimo paslaugą Co-op Translator. Nors siekiame tikslumo, prašome atkreipti dėmesį, kad automatiniai vertimai gali turėti klaidų ar netikslumų. Originalus dokumentas jo gimtąja kalba turėtų būti laikomas autoritetingu šaltiniu. Kritinei informacijai rekomenduojama naudoti profesionalų žmogaus vertimą. Mes neprisiimame atsakomybės už nesusipratimus ar klaidingus interpretavimus, atsiradusius dėl šio vertimo naudojimo.