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 'update-translations'
${ noResults }
ML-For-Beginners/translations/fi/5-Clustering
History
localizeflow[bot] 14f5ba5f5c
[da,no,fi] chore(i18n): sync translations 		3 weeks ago
..
1-Visualize chore(i18n): sync translations with latest source changes (chunk 1/1, 9 changes) 4 months ago
2-K-Means chore(i18n): sync translations with latest source changes (chunk 1/1, 300 changes) 8 months ago
README.md [da,no,fi] chore(i18n): sync translations 3 weeks ago

README.md
Escape

Klusterointimallit koneoppimiseen

Klusterointi on koneoppimisen tehtävä, jossa pyritään löytämään toisiaan muistuttavia objekteja ja ryhmittelemään ne klustereiksi kutsuttuihin ryhmiin. Se, mikä erottaa klusteroinnin muista koneoppimisen lähestymistavoista, on se, että kaikki tapahtuu automaattisesti, itse asiassa on oikeutettua sanoa, että se on päinvastaista valvotulle oppimiselle.

Alueellinen aihe: klusterointimallit Nigerian yleisön musiikkimakua varten 🎧

Nigerian monimuotoisella yleisöllä on monimuotoiset musiikkimieltymykset. Käyttäen Spotifylta poimittua dataa (innoittajana tämä artikkeli), katsotaan hetki Nigeriassa suosittua musiikkia. Tämä tietojoukko sisältää tietoa eri kappaleiden ’tanssittavuus’-pisteestä, 'akustisuudesta', äänenvoimakkuudesta, ’puhekielisyydestä’, suosiosta ja energiasta. On mielenkiintoista tutkia, millaisia kuvioita tästä datasta löytyy!

Vinyylisoitin

Kuva: Marcela Laskoski sivustolla Unsplash

Tässä oppitesarjassa opit uusia tapoja analysoida dataa klusterointimenetelmillä. Klusterointi on erityisen hyödyllistä silloin, kun tietojoukossasi ei ole tunnisteita. Jos tunnisteita kuitenkin on, silloin luokittelumenetelmät, kuten aiemmin oppimasi, voivat olla hyödyllisempiä. Mutta silloin, kun haluat ryhmitellä tunnistamattomia tietoja, klusterointi on erinomainen tapa löytää malleja.

On olemassa hyödyllisiä vähän koodia vaativia työkaluja, jotka auttavat sinua oppimaan klusterointimallien kanssa työskentelyä. Kokeile Azure ML -ratkaisua tähän tehtävään

Oppitunnit

  1. Johdatus klusterointiin
  2. K-Means-klusterointi

Tekijät

Nämä oppitunnit kirjoitti ja sävelsi 🎶 Jen Looper avustavien arviointien kera Rishit Dagli ja Muhammad Sakib Khan Inan.

Nigerian Songs -tietojoukko on peräisin Kagglesta, ja se on poimittu Spotifylta.

Hyödyllisiä K-Means-esimerkkejä, jotka auttoivat tämän oppitunnin luomisessa, ovat muun muassa tämä iris-kartoitus, tämä aloitusmuistio sekä tämä hypoteettinen NGO-esimerkki.

Vastuuvapauslauseke: Tämä asiakirja on käännetty käyttämällä tekoälypohjaista käännöspalvelua Co-op Translator. Vaikka pyrimme tarkkuuteen, otathan huomioon, että automaattiset käännökset saattavat sisältää virheitä tai epätarkkuuksia. Alkuperäinen asiakirja sen alkuperäiskielellä on virallinen lähde. Tärkeissä asioissa suositellaan ammattimaista ihmiskäännöstä. Emme ole vastuussa tämän käännöksen käytöstä aiheutuvista väärinymmärryksistä tai tulkinnoista.