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

Модели за клъстериране в машинното обучение

Клъстерирането е задача в машинното обучение, при която се търсят обекти, които си приличат, и ги групира в групи, наречени клъстери. Това, което отличава клъстерирането от други подходи в машинното обучение, е, че нещата се случват автоматично; всъщност може да се каже, че е противоположно на обучението с учител.

Регионална тема: модели за клъстериране за музикалните вкусове на нигерийската аудитория 🎧

Нигерия има разнообразна аудитория с разнообразни музикални вкусове. Използвайки данни, изтеглени от Spotify (вдъхновени от това статия), нека разгледаме някои популярни музикални песни в Нигерия. Този набор от данни включва информация за 'танцувалност', 'акустичност', сила на звука, 'говоримост', популярност и енергия на различни песни. Ще бъде интересно да открием закономерности в тези данни!

Снимка от Марсела Ласкоцки в Unsplash

В тази серия уроци ще откриете нови начини за анализ на данни, използвайки техники за клъстериране. Клъстерирането е особено полезно, когато наборът ви от данни няма етикети. Ако има етикети, тогава техники за класификация, като тези, които научихте в предишните уроци, може да бъдат по-полезни. Но в случаи, когато търсите групиране на неетикирани данни, клъстерирането е отличен начин да се открият закономерности.

Има полезни инструменти с нисък код, които могат да ви помогнат да научите как да работите с модели за клъстериране. Опитайте Azure ML за тази задача

Уроци

1. Въведение в клъстерирането
2. Клъстериране с K-средни

Автори

Тези уроци бяха написани с 🎶 от Джен Лупър с полезни рецензии от Ришит Дагли и Мохаммад Сакиб Хан Инан.

Наборът от данни Nigerian Songs е източник от Kaggle, изтеглен от Spotify.

Полезни примери с K-средни, които помогнаха за създаването на този урок, включват това изследване на ириси, този въведение в запис и този хипотетичен пример с НПО.

---

Отказ от отговорност: Този документ е преведен с помощта на AI преводачески услуга Co-op Translator. Въпреки че се стремим към точност, моля имайте предвид, че автоматизираните преводи могат да съдържат грешки или неточности. Оригиналният документ на неговия роден език трябва да се счита за авторитетен източник. За критична информация се препоръчва професионален човешки превод. Ние не носим отговорност за каквито и да е недоразумения или неправилни тълкувания, произтичащи от използването на този превод.