5.5 KiB
Модели кластеризации для машинного обучения
Кластеризация — это задача машинного обучения, в которой ищутся объекты, похожие друг на друга, и группируются в группы, называемые кластерами. В отличие от других подходов в машинном обучении, кластеризация происходит автоматически, на самом деле, можно сказать, что это противоположность обучения с учителем.
Региональная тема: модели кластеризации для музыкальных предпочтений нигерийской аудитории 🎧
Нигерия — страна с разнообразной аудиторией и разными музыкальными вкусами. Используя данные, собранные со Spotify (вдохновляясь этой статьёй), давайте посмотрим на популярную музыку в Нигерии. Этот набор данных включает информацию о различных песнях, таких как показатель "танцевальности", "акустичности", громкости, "речевости", популярности и энергии. Будет интересно обнаружить закономерности в этих данных!
Фото от Marcela Laskoski на Unsplash
В этой серии уроков вы откроете для себя новые способы анализа данных с помощью методов кластеризации. Кластеризация особенно полезна, когда в вашем наборе данных отсутствуют метки. Если метки есть, то методы классификации, такие как те, что вы изучали в предыдущих уроках, могут быть более полезны. Но в тех случаях, когда вы хотите сгруппировать немаркированные данные, кластеризация — отличный способ найти закономерности.
Существуют полезные инструменты с низким кодированием, которые помогут вам изучить работу с моделями кластеризации. Попробуйте Azure ML для этой задачи
Уроки
Авторы
Эти уроки были написаны с 🎶 Jen Looper (https://www.twitter.com/jenlooper) при помощи полезных отзывов от Rishit Dagli (https://rishit_dagli/) и Muhammad Sakib Khan Inan (https://twitter.com/Sakibinan).
Набор данных Nigerian Songs взят с Kaggle и собран со Spotify.
Полезные примеры K-средних, которые помогли в создании этого урока, включают это исследование ирисов, эту вводную тетрадь и этот гипотетический пример НКО.
Отказ от ответственности: Этот документ был переведен с использованием сервиса машинного перевода Co-op Translator. Несмотря на наши усилия по обеспечению точности, имейте в виду, что автоматический перевод может содержать ошибки или неточности. Оригинальный документ на его исходном языке следует считать авторитетным источником. Для получения критически важной информации рекомендуется обратиться к профессиональному человеческому переводу. Мы не несем ответственности за любые недоразумения или неправильные толкования, возникшие в результате использования этого перевода.