3.5 KiB
Modeli za kuunda makundi kwa ajili ya kujifunza kwa mashine
Kuunda makundi ni kazi ya kujifunza kwa mashine ambapo inatafuta vitu vinavyofanana na kuviweka katika makundi yanayoitwa makundi. Kinachotofautisha kuunda makundi kutoka kwa mbinu nyingine za kujifunza kwa mashine, ni kwamba mambo hutokea kiotomatiki, kwa kweli, ni sahihi kusema ni kinyume cha kujifunza kwa usimamizi.
Mada ya kikanda: modeli za kuunda makundi kwa ladha ya muziki ya hadhira ya Nigeria 🎧
Hadhira tofauti za Nigeria zina ladha tofauti za muziki. Kutumia data iliyokusanywa kutoka Spotify (imehamasishwa na makala hii, tuangalie baadhi ya muziki unaopendwa nchini Nigeria. Mkusanyiko huu wa data unajumuisha data kuhusu alama ya 'danceability' ya nyimbo mbalimbali, 'acousticness', ukali wa sauti, 'speechiness', umaarufu na nishati. Itakuwa ya kuvutia kugundua mifumo ndani ya data hii!
Picha na Marcela Laskoski kwenye Unsplash
Katika mfululizo huu wa masomo, utagundua njia mpya za kuchambua data kwa kutumia mbinu za kuunda makundi. Kuunda makundi ni muhimu hasa wakati mkusanyiko wako wa data huna lebo. Ikiwa una lebo, basi mbinu za uainishaji kama ulizojifunza katika masomo ya awali zinaweza kuwa na manufaa zaidi. Lakini katika hali ambapo unatafuta kuunda makundi ya data isiyo na lebo, kuunda makundi ni njia nzuri ya kugundua mifumo.
Kuna zana muhimu zisizo na msimbo mwingi zinazoweza kusaidia kujifunza kuhusu kufanya kazi na modeli za kuunda makundi. Jaribu Azure ML kwa kazi hii
Masomo
Mikopo
Masomo haya yaliandikwa kwa 🎶 na Jen Looper na ukaguzi mzuri kutoka kwa Rishit Dagli na Muhammad Sakib Khan Inan.
Mkusanyiko wa data wa Nyimbo za Nigeria ulitolewa kutoka Kaggle kama ulivyochukuliwa kutoka Spotify.
Mifano muhimu ya K-Means iliyosaidia kuunda somo hili ni pamoja na uchunguzi wa iris, daftari la utangulizi, na mfano huu wa dhana wa NGO hypothetical NGO example.
Kionyozo: Hati hii imetafsiriwa kwa kutumia huduma ya tafsiri ya AI Co-op Translator. Ingawa tunajitahidi kupata usahihi, tafadhali fahamu kwamba tafsiri za kiotomatiki zinaweza kuwa na makosa au upungufu wa usahihi. Hati ya asili katika lugha yake halisi inapaswa kuchukuliwa kama chanzo cha mamlaka. Kwa taarifa muhimu, tafsiri ya kitaalamu inayofanywa na binadamu inapendekezwa. Hatutojibu kwa kuelewa vibaya au tafsiri potofu zinazotokea kutokana na matumizi ya tafsiri hii.