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

Модели кластеризации для машинного обучения

Кластеризация — это задача машинного обучения, которая направлена на поиск объектов, похожих друг на друга, и их объединение в группы, называемые кластерами. Что отличает кластеризацию от других подходов в машинном обучении, так это то, что процесс происходит автоматически. Можно сказать, что это противоположность обучению с учителем.

Региональная тема: модели кластеризации для музыкальных предпочтений аудитории Нигерии 🎧

Разнообразная аудитория Нигерии имеет разнообразные музыкальные вкусы. Используя данные, собранные со Spotify (вдохновлено этой статьей), давайте рассмотрим популярную музыку в Нигерии. Этот набор данных включает информацию о таких характеристиках песен, как уровень "танцевальности", "акустичности", громкость, "речевость", популярность и энергия. Будет интересно обнаружить закономерности в этих данных!

Фото предоставлено Марселой Ласкоски на Unsplash

В этой серии уроков вы откроете для себя новые способы анализа данных с использованием методов кластеризации. Кластеризация особенно полезна, если ваш набор данных не имеет меток. Если метки есть, то методы классификации, такие как те, которые вы изучали в предыдущих уроках, могут быть более полезными. Но в случаях, когда вы хотите сгруппировать данные без меток, кластеризация — отличный способ обнаружить закономерности.

Существуют полезные инструменты с низким уровнем кода, которые помогут вам освоить работу с моделями кластеризации. Попробуйте Azure ML для этой задачи

Уроки

1. Введение в кластеризацию
2. Кластеризация методом K-Means

Благодарности

Эти уроки были написаны с 🎶 Джен Лупер при полезных отзывах от Ришита Дагли и Мухаммада Сакиба Хана Инана.

Набор данных Nigerian Songs был взят с Kaggle и собран со Spotify.

Полезные примеры использования K-Means, которые помогли в создании этого урока, включают исследование ирисов, вводный ноутбук и гипотетический пример для НПО.

---

Отказ от ответственности:
Этот документ был переведен с помощью сервиса автоматического перевода Co-op Translator. Несмотря на наши усилия обеспечить точность, автоматические переводы могут содержать ошибки или неточности. Оригинальный документ на его родном языке следует считать авторитетным источником. Для получения критически важной информации рекомендуется профессиональный перевод человеком. Мы не несем ответственности за любые недоразумения или неправильные интерпретации, возникшие в результате использования данного перевода.