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

Μοντέλα ομαδοποίησης για μηχανική μάθηση

Η ομαδοποίηση είναι μια εργασία μηχανικής μάθησης όπου επιδιώκει να βρει αντικείμενα που μοιάζουν μεταξύ τους και να τα ομαδοποιήσει σε ομάδες που ονομάζονται συστάδες. Αυτό που διαφοροποιεί την ομαδοποίηση από άλλες προσεγγίσεις στη μηχανική μάθηση, είναι ότι τα πράγματα συμβαίνουν αυτόματα, στην πραγματικότητα, είναι δίκαιο να πούμε ότι είναι το αντίθετο της εποπτευόμενης μάθησης.

Περιφερειακό θέμα: μοντέλα ομαδοποίησης για τη μουσική γεύση του νιγηριανού κοινού 🎧

Το διαπολιτισμικό κοινό της Νιγηρίας έχει διαφορετικές μουσικές προτιμήσεις. Χρησιμοποιώντας δεδομένα που συλλέχθηκαν από το Spotify (ενέπνευσης από αυτό το άρθρο, ας δούμε μερικά δημοφιλή τραγούδια στη Νιγηρία. Αυτό το σύνολο δεδομένων περιλαμβάνει στοιχεία για τη «χορευτικότητα» (danceability), την «ακουστικότητα» (acousticness), την ένταση, την «ομιλητικότητα» (speechiness), τη δημοφιλία και την ενέργεια των διάφορων τραγουδιών. Θα είναι ενδιαφέρον να ανακαλύψουμε μοτίβα σε αυτά τα δεδομένα!

Φωτογραφία από Marcela Laskoski στο Unsplash

Σε αυτή τη σειρά μαθημάτων, θα ανακαλύψετε νέους τρόπους ανάλυσης δεδομένων χρησιμοποιώντας τεχνικές ομαδοποίησης. Η ομαδοποίηση είναι ιδιαίτερα χρήσιμη όταν το σύνολο δεδομένων σας δεν έχει ετικέτες. Αν έχει ετικέτες, τότε τεχνικές ταξινόμησης όπως αυτές που μάθατε σε προηγούμενα μαθήματα μπορεί να είναι πιο χρήσιμες. Αλλά σε περιπτώσεις όπου θέλετε να ομαδοποιήσετε χωρίς ετικέτες δεδομένα, η ομαδοποίηση είναι ένας εξαιρετικός τρόπος για να ανακαλύψετε μοτίβα.

Υπάρχουν χρήσιμα εργαλεία με χαμηλό κώδικα που μπορούν να σας βοηθήσουν να μάθετε να εργάζεστε με μοντέλα ομαδοποίησης. Δοκιμάστε το Azure ML για αυτή την εργασία

Μαθήματα

1. Εισαγωγή στην ομαδοποίηση
2. Ομαδοποίηση με K-Means

Πηγή

Αυτά τα μαθήματα γράφτηκαν με 🎶 από τη Jen Looper με χρήσιμες κριτικές από τους Rishit Dagli και Muhammad Sakib Khan Inan.

Το σύνολο δεδομένων Nigerian Songs προέρχεται από το Kaggle και συλλέχθηκε από το Spotify.

Χρήσιμα παραδείγματα K-Means που βοήθησαν στη δημιουργία αυτού του μαθήματος περιλαμβάνουν αυτή την εξερεύνηση iris, αυτό το εισαγωγικό σημειωματάριο και αυτό το υποθετικό παράδειγμα ΜΚΟ.

---

Αποποίηση ευθυνών: Αυτό το έγγραφο έχει μεταφραστεί χρησιμοποιώντας την υπηρεσία μετάφρασης με τεχνητή νοημοσύνη Co-op Translator. Ενώ επιδιώκουμε την ακρίβεια, παρακαλούμε να έχετε υπόψη ότι οι αυτοματοποιημένες μεταφράσεις ενδέχεται να περιέχουν λάθη ή ανακρίβειες. Το πρωτότυπο έγγραφο στη μητρική του γλώσσα πρέπει να θεωρείται η αυθεντική πηγή. Για κρίσιμες πληροφορίες, συνιστάται επαγγελματική ανθρώπινη μετάφραση. Δεν φέρουμε ευθύνη για τυχόν παρεξηγήσεις ή λανθασμένες ερμηνείες που προκύπτουν από τη χρήση αυτής της μετάφρασης.