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

മെഷീൻ ലേണിംഗിനുള്ള ക്ലസ്റ്ററിംഗ് മോഡലുകൾ

ക്ലസ്റ്ററിംഗ് എന്നത് മെഷീൻ ലേണിംഗ് ടാസ്കാണ്, ഇതിൽ പരസ്പരം സമാനമായ വസ്തുക്കളെ കണ്ടെത്തി അവയെ ക്ലസ്റ്ററുകൾ എന്നറിയപ്പെടുന്ന ഗ്രൂപ്പുകളായി കൂട്ടിച്ചേർക്കാൻ ശ്രമിക്കുന്നു. മെഷീൻ ലേണിംഗിലെ മറ്റ് സമീപനങ്ങളിൽ നിന്ന് ക്ലസ്റ്ററിംഗ് വ്യത്യസ്തമാകുന്നത്, കാര്യങ്ങൾ സ്വയം സംഭവിക്കുന്നതാണ്, വാസ്തവത്തിൽ, ഇത് സൂപ്പർവൈസ്ഡ് ലേണിംഗിന്റെ എതിര്‍ഭാഗമാണെന്ന് പറയാം.

പ്രാദേശിക വിഷയം: നൈജീരിയൻ പ്രേക്ഷകരുടെ സംഗീത രുചിക്കായി ക്ലസ്റ്ററിംഗ് മോഡലുകൾ 🎧

നൈജീരിയയുടെ വൈവിധ്യമാർന്ന പ്രേക്ഷകർക്ക് വൈവിധ്യമാർന്ന സംഗീത രുചികൾ ഉണ്ട്. Spotify-യിൽ നിന്നുള്ള ഡാറ്റ ഉപയോഗിച്ച് (ഈ ലേഖനം പ്രചോദനമായി this article), നൈജീരിയയിൽ പ്രചാരത്തിലുള്ള ചില സംഗീതങ്ങൾ നോക്കാം. ഈ ഡാറ്റാസെറ്റിൽ വിവിധ പാട്ടുകളുടെ 'danceability' സ്കോർ, 'acousticness', ലൗഡ്നസ്, 'speechiness', ജനപ്രിയത, എനർജി എന്നിവയെക്കുറിച്ചുള്ള ഡാറ്റ ഉൾപ്പെടുന്നു. ഈ ഡാറ്റയിൽ പാറ്റേണുകൾ കണ്ടെത്തുന്നത് രസകരമായിരിക്കും!

ഫോട്ടോ Marcela Laskoski യുടെ Unsplash ൽ നിന്നാണ്

ഈ പാഠമാലയിൽ, ക്ലസ്റ്ററിംഗ് സാങ്കേതികവിദ്യകൾ ഉപയോഗിച്ച് ഡാറ്റ വിശകലനം ചെയ്യാനുള്ള പുതിയ മാർഗങ്ങൾ നിങ്ങൾ കണ്ടെത്തും. നിങ്ങളുടെ ഡാറ്റാസെറ്റിന് ലേബലുകൾ ഇല്ലാത്തപ്പോൾ ക്ലസ്റ്ററിംഗ് പ്രത്യേകിച്ച് പ്രയോജനകരമാണ്. ലേബലുകൾ ഉണ്ടെങ്കിൽ, മുമ്പത്തെ പാഠങ്ങളിൽ പഠിച്ച ക്ലാസിഫിക്കേഷൻ സാങ്കേതികവിദ്യകൾ കൂടുതൽ പ്രയോജനകരമായിരിക്കാം. എന്നാൽ ലേബൽ ഇല്ലാത്ത ഡാറ്റയെ ഗ്രൂപ്പുചെയ്യാൻ ശ്രമിക്കുന്ന സാഹചര്യങ്ങളിൽ, ക്ലസ്റ്ററിംഗ് പാറ്റേണുകൾ കണ്ടെത്താനുള്ള മികച്ച മാർഗമാണ്.

ക്ലസ്റ്ററിംഗ് മോഡലുകളുമായി പ്രവർത്തിക്കാൻ സഹായിക്കുന്ന കുറവ്-കോഡ് ഉപകരണങ്ങൾ ഉണ്ട്. ഈ ടാസ്കിനായി Azure ML പരീക്ഷിക്കുക

പാഠങ്ങൾ

1. ക്ലസ്റ്ററിംഗിലേക്ക് പരിചയം
2. കെ-മീൻസ് ക്ലസ്റ്ററിംഗ്

ക്രെഡിറ്റുകൾ

ഈ പാഠങ്ങൾ 🎶 Jen Looper എഴുതിയതാണ്, Rishit Dagli ഉം Muhammad Sakib Khan Inan ഉം നൽകിയ സഹായകരമായ അവലോകനങ്ങളോടെ.

Nigerian Songs ഡാറ്റാസെറ്റ് Spotify-യിൽ നിന്നു സ്ക്രാപ്പ് ചെയ്ത് Kaggle-ൽ നിന്നാണ് ലഭിച്ചത്.

ഈ പാഠം സൃഷ്ടിക്കാൻ സഹായിച്ച പ്രയോജനകരമായ കെ-മീൻസ് ഉദാഹരണങ്ങളിൽ ഈ iris exploration, ഈ introductory notebook, ഈ hypothetical NGO example എന്നിവ ഉൾപ്പെടുന്നു.

---

അസൂയാപത്രം:
ഈ രേഖ AI വിവർത്തന സേവനം Co-op Translator ഉപയോഗിച്ച് വിവർത്തനം ചെയ്തതാണ്. നാം കൃത്യതയ്ക്ക് ശ്രമിച്ചിട്ടുണ്ടെങ്കിലും, യന്ത്രം ചെയ്ത വിവർത്തനങ്ങളിൽ പിശകുകൾ അല്ലെങ്കിൽ തെറ്റുകൾ ഉണ്ടാകാമെന്ന് ദയവായി ശ്രദ്ധിക്കുക. അതിന്റെ മാതൃഭാഷയിലുള്ള യഥാർത്ഥ രേഖയാണ് പ്രാമാണികമായ ഉറവിടം എന്ന് പരിഗണിക്കേണ്ടതാണ്. നിർണായകമായ വിവരങ്ങൾക്ക്, പ്രൊഫഷണൽ മനുഷ്യ വിവർത്തനം ശുപാർശ ചെയ്യപ്പെടുന്നു. ഈ വിവർത്തനം ഉപയോഗിക്കുന്നതിൽ നിന്നുണ്ടാകുന്ന ഏതെങ്കിലും തെറ്റിദ്ധാരണകൾക്കോ വ്യാഖ്യാനക്കേടുകൾക്കോ ഞങ്ങൾ ഉത്തരവാദികളല്ല.