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/sr/5-Clustering
History
localizeflow[bot] b7c2a4a7f1
[sr,hr,sl] 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 [sr,hr,sl] chore(i18n): sync translations 3 weeks ago

README.md
Escape

Модели кластерисања за машинско учење

Кластерисање је задатак машинског учења где се циља проналажење објеката који личе једни на друге и груписање у групе које се зову кластери. Оно што кластерисање разликује од других приступа у машинском учењу јесте да се све одвија аутоматски, у ствари, може се рећи да је супротно од надгледаног учења.

Регионална тема: модели кластерисања за музички укус нигеријске публике 🎧

Нигеријска разнолика публика има разнолике музичке укусе. Користећи податке прикупљене са Spotify-а (инспирисано овим чланком), погледајмо неке од популарних песама у Нигерији. Овај скуп података укључује информације о „плесности“ песама, акустичности, јачини звука, „говорности“, популарности и енергији. Биће занимљиво открити обрасце у овим подацима!

Плато за плочу

Фотографија Марцела Ласкоски на Unsplash

У овој серији лекција открићете нове начине анализе података користећи технике кластерисања. Кластерисање је посебно корисно када ваш скуп података нема ознаке. Ако скуп има ознаке, онда су технике класификације које сте научили у претходним лекцијама можда корисније. Али у случајевима када желите да групишете необележене податке, кластерисање је одличан начин да откријете обрасце.

Постоје корисни алати са мало кода који вам могу помоћи да научите како радити са моделима кластерисања. Испробајте Azure ML за овај задатак

Лекције

  1. Увод у кластерисање
  2. K-Means кластерисање

Заслуге

Ове лекције је написала 🎶 Јен Лупер (https://www.twitter.com/jenlooper) уз корисне сугестије Ришита Даљија (https://rishit_dagli/) и Мухамада Сакиба Кхана Инана (https://twitter.com/Sakibinan).

Скуп података Нигеријске песме потиче са Kaggle-а као прикупљен са Spotify-а.

Корисни примери K-Means-а који су помогли у стварању ове лекције укључују ову истраживачку серију, овај уводни нотебук и овај хипотетички пример НВО-а.

Изјава о одрицању одговорности: Овај документ је преведен коришћењем услуге за аутоматски превод Co-op Translator. Иако тежимо тачности, имајте у виду да аутоматски преводи могу садржати грешке или нетачности. Оригинални документ на његовом изворном језику треба сматрати ауторитативним извором. За критичне информације препоручује се професионални људски превод. Нисмо одговорни за било каква неспоразума или погрешна тумачења која произилазе из коришћења овог превода.