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/sk/5-Clustering
History
leestott c796f3dda8
🌐 Update translations via Co-op Translator 		3 weeks ago
..
1-Visualize 🌐 Update translations via Co-op Translator 3 weeks ago
2-K-Means 🌐 Update translations via Co-op Translator 3 weeks ago
README.md 🌐 Update translations via Co-op Translator 3 weeks ago

README.md

Modely zhlukovania pre strojové učenie

Zhlukovanie je úloha strojového učenia, ktorá sa snaží nájsť objekty, ktoré sa navzájom podobajú, a zoskupiť ich do skupín nazývaných zhluky. Čo odlišuje zhlukovanie od iných prístupov v strojovom učení, je to, že veci sa dejú automaticky. V skutočnosti je spravodlivé povedať, že je to opak učenia s učiteľom.

Regionálna téma: modely zhlukovania pre hudobný vkus nigérijského publika 🎧

Rozmanité publikum v Nigérii má rozmanitý hudobný vkus. Pomocou údajov získaných zo Spotify (inšpirované týmto článkom), sa pozrime na niektoré populárne skladby v Nigérii. Tento dataset obsahuje údaje o rôznych skladbách, ako napríklad skóre 'tanečnosti', 'akustickosti', hlasitosti, 'rečovosti', popularite a energii. Bude zaujímavé objaviť vzory v týchto údajoch!

Gramofón

Foto od Marcela Laskoski na Unsplash

V tejto sérii lekcií objavíte nové spôsoby analýzy údajov pomocou techník zhlukovania. Zhlukovanie je obzvlášť užitočné, keď váš dataset nemá štítky. Ak však štítky má, potom môžu byť klasifikačné techniky, ktoré ste sa naučili v predchádzajúcich lekciách, užitočnejšie. Ale v prípadoch, keď chcete zoskupiť neoznačené údaje, zhlukovanie je skvelý spôsob, ako objaviť vzory.

Existujú užitočné nástroje s nízkym kódom, ktoré vám môžu pomôcť naučiť sa pracovať s modelmi zhlukovania. Vyskúšajte Azure ML pre túto úlohu

Lekcie

  1. Úvod do zhlukovania
  2. Zhlukovanie pomocou K-Means

Kredity

Tieto lekcie boli napísané s 🎶 od Jen Looper s užitočnými recenziami od Rishit Dagli a Muhammad Sakib Khan Inan.

Dataset Nigérijské skladby bol získaný z Kaggle ako údaje zozbierané zo Spotify.

Užitočné príklady K-Means, ktoré pomohli pri tvorbe tejto lekcie, zahŕňajú túto analýzu kosatcov, tento úvodný notebook a tento hypotetický príklad NGO.

Upozornenie:
Tento dokument bol preložený pomocou služby AI prekladu Co-op Translator. Hoci sa snažíme o presnosť, prosím, berte na vedomie, že automatizované preklady môžu obsahovať chyby alebo nepresnosti. Pôvodný dokument v jeho rodnom jazyku by mal byť považovaný za autoritatívny zdroj. Pre kritické informácie sa odporúča profesionálny ľudský preklad. Nie sme zodpovední za akékoľvek nedorozumenia alebo nesprávne interpretácie vyplývajúce z použitia tohto prekladu.