3.7 KiB
Modele klasteryzacji dla uczenia maszynowego
Klasteryzacja to zadanie uczenia maszynowego, które polega na znajdowaniu obiektów do siebie podobnych i grupowaniu ich w tzw. klastry. To, co odróżnia klasteryzację od innych podejść w uczeniu maszynowym, to fakt, że proces zachodzi automatycznie, można wręcz powiedzieć, że jest to przeciwieństwo uczenia nadzorowanego.
Temat regionalny: modele klasteryzacji dla muzycznych gustów nigeryjskiej publiczności 🎧
Różnorodna publiczność Nigerii ma różnorodne gusta muzyczne. Korzystając z danych pobranych ze Spotify (inspirowanych tym artykułem), przyjrzyjmy się muzyce popularnej w Nigerii. Ten zbiór danych zawiera informacje o różnych piosenkach takie jak ocena 'danceability', 'acousticness', głośność, 'speechiness', popularność i energia. Będzie ciekawie odkryć wzorce w tych danych!
Zdjęcie autorstwa Marcela Laskoski na Unsplash
W tej serii lekcji odkryjesz nowe sposoby analizowania danych z wykorzystaniem technik klasteryzacji. Klasteryzacja jest szczególnie przydatna, gdy twój zbiór danych nie posiada etykiet. Jeśli etykiety są dostępne, techniki klasyfikacyjne, takie jak te poznane w poprzednich lekcjach, mogą być bardziej użyteczne. Ale w przypadkach, gdy chcesz pogrupować dane nieoznaczone, klasteryzacja jest świetnym sposobem na odkrywanie wzorców.
Dostępne są przydatne narzędzia low-code, które mogą pomóc Ci nauczyć się pracy z modelami klasteryzacji. Wypróbuj Azure ML do tego zadania
Lekcje
Podziękowania
Te lekcje zostały napisane z 🎶 przez Jen Looper z pomocnymi recenzjami od Rishit Dagli i Muhammada Sakib Khana Inana.
Zbiór danych Nigerian Songs pochodzi z Kaggle, pozyskany ze Spotify.
Użyteczne przykłady K-średnich, które pomogły w stworzeniu tej lekcji, to między innymi eksploracja irysów, ten notatnik wprowadzający oraz ten hipotetyczny przykład NGO.
Zastrzeżenie: Niniejszy dokument został przetłumaczony za pomocą usługi tłumaczenia AI Co-op Translator. Choć dążymy do dokładności, prosimy pamiętać, że automatyczne tłumaczenia mogą zawierać błędy lub niedokładności. Oryginalny dokument w jego języku źródłowym należy uznawać za autorytatywne źródło. W przypadku informacji krytycznych zalecane jest skorzystanie z profesjonalnego tłumaczenia wykonanego przez człowieka. Nie ponosimy odpowiedzialności za jakiekolwiek nieporozumienia lub błędne interpretacje wynikające z użycia tego tłumaczenia.