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

Кластеризаційні моделі для машинного навчання

Кластеризація — це завдання машинного навчання, яке передбачає пошук схожих об’єктів і групування їх у групи, що називаються кластерами. Те, що відрізняє кластеризацію від інших підходів у машинному навчанні, це те, що все відбувається автоматично, фактично, можна сказати, що це навпаки до навчання з учителем.

Регіональна тема: кластеризаційні моделі для музичних вподобань нігерійської аудиторії 🎧

Різноманітна аудиторія Нігерії має різні музичні вподобання. Використовуючи дані, зібрані зі Spotify (натхнені цією статтею), подивімося на музику, популярну в Нігерії. Цей набір даних включає інформацію про такі показники пісень, як «танцювальність», «акустичність», гучність, «мовність», популярність і енергійність. Було б цікаво виявити закономірності в цих даних!

Фото від Марсели Лаоськи на Unsplash

У цій серії уроків ви відкриєте нові способи аналізу даних за допомогою методів кластеризації. Кластеризація особливо корисна, коли ваш набір даних не має міток. Якщо ж мітки є, тоді техніки класифікації, яких ви навчалися в попередніх уроках, можуть бути більш корисними. Але у випадках, коли потрібно згрупувати немарковані дані, кластеризація — це чудовий спосіб виявити закономірності.

Існують корисні інструменти з низьким кодом, які допоможуть вам навчитися працювати з кластеризаційними моделями. Спробуйте Azure ML для цього завдання

Уроки

1. Вступ до кластеризації
2. Кластеризація K-середніх

Автори

Ці уроки були створені з 🎶 Джен Лупер за допомогою корисних відгуків від Рішита Даглі та Мухаммада Сакіба Хана Інан.

Набір даних Nigerian Songs було взято з Kaggle, зібраний зі Spotify.

Корисні приклади K-середніх, які допомогли створити цей урок, включають це дослідження ірисів, цей вступний блокнот та цей гіпотетичний приклад неурядової організації.

---

Відмова від відповідальності: Цей документ було перекладено за допомогою сервісу штучного інтелекту для перекладу Co-op Translator. Хоча ми прагнемо до точності, будь ласка, майте на увазі, що автоматичні переклади можуть містити помилки або неточності. Оригінальний документ рідною мовою слід вважати авторитетним джерелом. Для критично важливої інформації рекомендується професійний людський переклад. Ми не несемо відповідальності за будь-які непорозуміння або неправильні тлумачення, що виникли внаслідок використання цього перекладу.