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

Clustermodellen voor machine learning

Clustering is een machine learning taak waarbij het erop gericht is objecten te vinden die op elkaar lijken en deze te groeperen in groepen die clusters worden genoemd. Wat clustering onderscheidt van andere benaderingen in machine learning, is dat dingen automatisch gebeuren; in feite kun je zeggen dat het het tegenovergestelde is van supervised learning.

Regionaal onderwerp: clustermodellen voor de muzikale smaak van een Nigeriaans publiek 🎧

Nigeria's diverse publiek heeft diverse muzikale smaken. Met behulp van data verzameld van Spotify (geïnspireerd door dit artikel) bekijken we wat muziek die populair is in Nigeria. Deze dataset bevat gegevens over verschillende nummers zoals de 'danceability' score, 'acousticness', luidheid, 'speechiness', populariteit en energie. Het zal interessant zijn om patronen in deze data te ontdekken!

Foto door Marcela Laskoski op Unsplash

In deze reeks lessen ontdek je nieuwe manieren om data te analyseren met clustering technieken. Clustering is vooral nuttig wanneer je dataset geen labels heeft. Als die er wel zijn, kunnen classificatietechnieken zoals die je in eerdere lessen hebt geleerd nuttiger zijn. Maar in gevallen waarin je onlabelde data wilt groeperen, is clustering een geweldige manier om patronen te ontdekken.

Er zijn handige low-code tools die je kunnen helpen met het werken met clustermodellen. Probeer Azure ML voor deze taak

Lessen

1. Introductie tot clustering
2. K-Means clustering

Credits

Deze lessen zijn geschreven met 🎶 door Jen Looper met behulpzame recensies van Rishit Dagli en Muhammad Sakib Khan Inan.

De Nigerian Songs dataset is afkomstig van Kaggle en gescraped van Spotify.

Nuttige K-Means voorbeelden die hebben geholpen bij het maken van deze les zijn onder andere deze iris verkenning, deze introductie notebook, en dit hypothetische NGO voorbeeld.

---

Disclaimer: Dit document is vertaald met behulp van de AI vertaaldienst Co-op Translator. Hoewel we streven naar nauwkeurigheid, dient u er rekening mee te houden dat geautomatiseerde vertalingen fouten of onnauwkeurigheden kunnen bevatten. Het originele document in de oorspronkelijke taal moet worden beschouwd als de gezaghebbende bron. Voor kritieke informatie wordt professionele menselijke vertaling aanbevolen. Wij zijn niet aansprakelijk voor eventuele misverstanden of verkeerde interpretaties die voortvloeien uit het gebruik van deze vertaling.