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/hu/5-Clustering
History
localizeflow[bot] b08221c6ab
[sw,hu,cs] 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 [sw,hu,cs] chore(i18n): sync translations 3 weeks ago

README.md

Klasszterező modellek gépi tanuláshoz

A klaszterezés egy gépi tanulási feladat, ahol olyan objektumokat keresünk, amelyek hasonlítanak egymásra, és ezeket csoportokba, úgynevezett klaszterekbe rendezzük. Ami megkülönbözteti a klaszterezést a gépi tanulás más megközelítéseitől, hogy a folyamat automatikusan zajlik, valójában azt mondhatjuk, hogy ez a felügyelt tanulás ellentéte.

Regionális téma: klaszterező modellek a nigériai közönség zenei ízléséhez 🎧

Nigéria sokszínű közönsége sokszínű zenei ízléssel rendelkezik. A Spotify-ról összegyűjtött adatok (inspirációként ez a cikk) alapján nézzünk meg néhány, Nigériában népszerű zenét. Ez az adathalmaz tartalmaz adatokat különböző dalok 'táncolhatóság' pontszámáról, 'akusztikusságáról', hangerőről, 'beszédességéről', népszerűségéről és energiájáról. Érdekes lesz felfedezni mintákat ezekben az adatokban!

Lemezjátszó

Fotó: Marcela Laskoski az Unsplash-ról

Ebben a leckesorozatban új módszereket fedezhetsz fel az adatelemzésre klaszterezési technikák segítségével. A klaszterezés különösen hasznos akkor, ha az adathalmazban nincsenek címkék. Ha vannak címkék, akkor a korábban tanult osztályozási technikák lehetnek hasznosabbak. De ha címkézetlen adatok csoportosítására törekszel, a klaszterezés nagyszerű mód a mintázatok felfedezésére.

Hasznos alacsony kódú eszközök is vannak, amelyek segíthetnek megismerni a klaszterező modellek használatát. Próbáld ki az Azure ML-t erre a feladatra

Leckék

  1. Bevezetés a klaszterezésbe
  2. K-Means klaszterezés

Köszönetnyilvánítás

Ezeket a leckéket 🎶 írta Jen Looper, hasznos véleményezéssel Rishit Dagli és Muhammad Sakib Khan Inan közreműködésével.

A Nigerian Songs adathalmaz a Kaggle-ról származik, Spotify-ról összegyűjtve.

Hasznos K-Means példák, amelyek segítettek ennek a leckének a létrehozásában: ez az iriszek feltérképezése, ez a bevezető jegyzetfüzet, és ez a hipotetikus NGO példa.

Jogi nyilatkozat: Ez a dokumentum az AI fordítási szolgáltatás, a Co-op Translator segítségével készült. Bár az pontosságra törekszünk, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az anyanyelvén tekintendő hiteles forrásnak. Fontos információk esetén professzionális emberi fordítást javasolunk. Nem vállalunk felelősséget semmilyen félreértésért vagy téves értelmezésért, amely ebből a fordításból ered.