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

Clustermodellen voor machine learning

Clustering is een machine learning-taak waarbij wordt gezocht naar objecten die op elkaar lijken en deze worden gegroepeerd in groepen die clusters worden genoemd. Wat clustering onderscheidt van andere benaderingen in machine learning, is dat alles automatisch gebeurt. Sterker nog, het is eerlijk om te zeggen dat het het tegenovergestelde is van supervised learning.

Regionaal onderwerp: clustermodellen voor de muzikale smaak van een Nigeriaans publiek 🎧

Het diverse publiek in Nigeria heeft een uiteenlopende muzikale smaak. Met behulp van gegevens die zijn verzameld van Spotify (geïnspireerd door dit artikel), gaan we kijken naar populaire muziek in Nigeria. Deze dataset bevat gegevens over verschillende nummers, zoals de 'danceability'-score, 'acousticness', luidheid, 'speechiness', populariteit en energie. Het zal interessant zijn om patronen in deze gegevens te ontdekken!

Foto door Marcela Laskoski op Unsplash

In deze serie lessen ontdek je nieuwe manieren om gegevens te analyseren met clusteringtechnieken. Clustering is vooral nuttig wanneer je dataset geen labels bevat. Als er wel labels zijn, dan kunnen classificatietechnieken zoals die je in eerdere lessen hebt geleerd, nuttiger zijn. Maar in gevallen waarin je ongelabelde gegevens wilt groeperen, is clustering een geweldige manier om patronen te ontdekken.

Er zijn handige low-code tools die je kunnen helpen bij het werken met clustermodellen. Probeer Azure ML voor deze taak

Lessen

1. Introductie tot clustering
2. K-Means clustering

Credits

Deze lessen zijn geschreven met 🎶 door Jen Looper met behulpzame reviews van Rishit Dagli en Muhammad Sakib Khan Inan.

De Nigerian Songs dataset is afkomstig van Kaggle en verzameld via Spotify.

Handige K-Means voorbeelden die hebben geholpen bij het maken van deze les zijn onder andere deze iris-verkenning, deze introductienotebook, en dit hypothetische NGO-voorbeeld.

---

Disclaimer:
Dit document is vertaald met behulp van de AI-vertalingsservice Co-op Translator. Hoewel we ons best doen voor nauwkeurigheid, dient u zich ervan bewust te zijn dat geautomatiseerde vertalingen fouten of onnauwkeurigheden kunnen bevatten. Het originele document in zijn oorspronkelijke taal moet worden beschouwd als de gezaghebbende bron. Voor cruciale informatie wordt professionele menselijke vertaling aanbevolen. Wij zijn niet aansprakelijk voor misverstanden of verkeerde interpretaties die voortvloeien uit het gebruik van deze vertaling.