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

Modely shlukování pro strojové učení

Shlukování je úloha strojového učení, kde se snažíme nalézt objekty, které si podobají, a seskupit je do skupin zvaných shluky. Co shlukování odlišuje od jiných přístupů ve strojovém učení, je to, že vše probíhá automaticky, vlastně je spravedlivé říci, že je to opak učení s učitelem.

Regionální téma: modely shlukování pro hudební vkus nigerijského publika 🎧

Nigerijské různorodé publikum má různé hudební preference. Pomocí dat získaných ze Spotify (inspirováno tímto článkem) si prohlédneme některé oblíbené hudební skladby v Nigérii. Tento datový soubor obsahuje údaje o různých písních, jako je skóre 'danceability', 'acousticness', hlasitost, 'speechiness', popularita a energie. Bude zajímavé objevit vzory v těchto datech!

Fotografie od Marcela Laskoski na Unsplash

V této sérii lekcí objevíte nové způsoby analýzy dat pomocí technik shlukování. Shlukování je obzvlášť užitečné, když váš datový soubor postrádá štítky. Pokud je má, pak mohou být vhodnější klasifikační techniky, které jste se naučili v předchozích lekcích. Ale v případech, kdy chcete seskupit neoznačená data, je shlukování skvělým způsobem, jak objevit vzory.

Existují užitečné nástroje s nízkým kódem, které vám mohou pomoci naučit se pracovat s modely shlukování. Vyzkoušejte Azure ML pro tento úkol

Lekce

1. Úvod do shlukování
2. Shlukování K-Means

Autoři

Tyto lekce napsala s láskou 🎶 Jen Looper s užitečnými recenzemi od Rishit Dagli a Muhammad Sakib Khan Inan.

Datový soubor Nigerijské písně byl získán z Kaggle jako data získaná ze Spotify.

Užité příklady K-Means, které pomohly vytvořit tuto lekci, zahrnují tuto analýzu iris, tento úvodní notebook a tento hypotetický příklad neziskové organizace.

---

Prohlášení o omezení odpovědnosti: Tento dokument byl přeložen pomocí AI překladatelské služby Co-op Translator. Přestože usilujeme o co největší přesnost, mějte prosím na paměti, že automatizované překlady mohou obsahovat chyby nebo nepřesnosti. Originální dokument v jeho mateřském jazyce by měl být považován za autoritativní zdroj. Pro kritické informace se doporučuje profesionální lidský překlad. Nejsme odpovědní za jakékoli nedorozumění nebo nesprávné interpretace vzniklé použitím tohoto překladu.