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

Modeli gručenja za učenje z računalniki

Gručenje je naloga strojnega učenja, kjer iščemo predmete, ki so si med seboj podobni, in jih združujemo v skupine, imenovane gruče. Kar gručenje loči od drugih pristopov v strojni učni, je to, da se stvari dogajajo samodejno, pravzaprav lahko rečemo, da je to nasprotje nadzorovanega učenja.

Regionalna tema: modeli gručenja za glasbeni okus nigerijske publike 🎧

Nigerijska raznolika publika ima raznolike glasbene okuse. Z uporabo podatkov, pridobljenih s Spotifyja (navdihnjeno z tem člankom), si ogledajmo nekaj glasbe, priljubljene v Nigeriji. Ta podatkovni niz vključuje podatke o različnih pesmih, kot so ocena 'plesnosti', 'akustičnosti', glasnosti, 'govornosti', priljubljenosti in energije. Zanimivo bo odkriti vzorce v teh podatkih!

Foto: Marcela Laskoski na Unsplash

V tej seriji lekcij boste odkrili nove načine za analizo podatkov z uporabo tehnik gručenja. Gručenje je še posebej uporabno, kadar vaš podatkovni niz nima oznak. Če jih ima, so lahko uporabnejše tehnike klasifikacije, kot ste jih spoznali v prejšnjih lekcijah. Toda v primerih, ko želite združiti neoznačene podatke, je gručenje odličen način za odkrivanje vzorcev.

Na voljo so koristna orodja z malo kode, ki vam lahko pomagajo pri učenju dela z modeli gručenja. Poskusite Azure ML za to nalogo

Lekcije

1. Uvod v gručenje
2. K-Means gručenje

Zahvale

Te lekcije je ustvarila 🎶 Jen Looper s koristnimi pregledi Rishita Daglija in Muhammada Sakiba Khana Inana.

Podatkovni niz Nigerijskih pesmi je bil pridobljen iz Kaggle kot zajet s Spotifyja.

Koristni primeri K-Means, ki so pomagali pri ustvarjanju te lekcije, vključujejo to raziskovanje irisa, ta uvodni zvezek in ta hipotetični primer NVO.

---

Omejitev odgovornosti: Ta dokument je bil preveden z uporabo AI prevajalske storitve Co-op Translator. Čeprav si prizadevamo za natančnost, vas prosimo, da upoštevate, da avtomatizirani prevodi lahko vsebujejo napake ali netočnosti. Izvirni dokument v njegovem izvirnem jeziku je treba obravnavati kot avtoritativni vir. Za kritične informacije je priporočljiv strokovni človeški prevod. Ne odgovarjamo za morebitna nesporazume ali napačne interpretacije, ki izhajajo iz uporabe tega prevoda.