Python For Kids · पाठ

Unsupervised Learning

K-Means और Hierarchical Clustering जैसी Clustering तकनीकें समझें

पाठ 3, कुल 6 में से11 चरण

Unsupervised Learning, CoddyKit पर Python For Kids का एक निःशुल्क पाठ है। यह 6 में से 3वाँ पाठ है। आप नीचे पूरा पाठ निःशुल्क पढ़ सकते हैं—फिर अंतर्निहित कोड संपादक और 24/7 एआई ट्यूटर के साथ ब्राउज़र में इसका व्यावहारिक अभ्यास कर सकते हैं। यह Python For Kids सीखने के मार्ग का हिस्सा है और आपकी प्रगति वेब तथा CoddyKit ऐप पर सिंक होती रहती है। Python For Kids पाठ्यक्रम में कुल 6 पाठ शामिल हैं।

अपर्यवेक्षित लर्निंग

अपर्यवेक्षित लर्निंग मशीन लर्निंग का एक प्रकार है, जिसमें एल्गोरिदम बिना लेबल वाले डेटा से पैटर्न सीखता है। इसका उपयोग अक्सर क्लस्टरिंग, आयामीता में कमी और असामान्यता की पहचान के लिए किया जाता है।

इस पाठ में आप K-Means और पदानुक्रमित क्लस्टरिंग जैसी क्लस्टरिंग तकनीकों का अन्वेषण करेंगे।

अपर्यवेक्षित लर्निंग क्या है?

अपर्यवेक्षित लर्निंग में पहले से निर्धारित लेबल के बिना डेटा का विश्लेषण और समूह बनाना शामिल है। इसका उद्देश्य डेटा में छिपी संरचनाओं या पैटर्न की पहचान करना है।

प्रमुख कार्यों में शामिल हैं:

क्लस्टरिंग: समान डेटा बिंदुओं का समूह बनाना।
आयामीता में कमी: महत्वपूर्ण जानकारी बनाए रखते हुए फ़ीचर की संख्या कम करना।

K-Means क्लस्टरिंग

K-Means एक लोकप्रिय क्लस्टरिंग एल्गोरिदम है, जो फ़ीचर की समानता के आधार पर डेटा को K क्लस्टर में बाँटता है। आइए देखें कि यह कैसे काम करता है:

# Example: K-Means Clustering
from sklearn.cluster import KMeans
import numpy as np

# Sample data
X = np.array([[1, 2], [1, 4], [1, 0], [10, 2], [10, 4], [10, 0]])

kmeans = KMeans(n_clusters=2, random_state=0)
kmeans.fit(X)
print("Cluster Centers:", kmeans.cluster_centers_)
print("Labels:", kmeans.labels_)

पदानुक्रमित क्लस्टरिंग

पदानुक्रमित क्लस्टरिंग समान डेटा बिंदुओं को समूहित करने के लिए वृक्ष जैसी संरचना (डेंड्रोग्राम) बनाती है। इसमें क्लस्टर की संख्या पहले से निर्धारित करना आवश्यक नहीं होता।

# Example: Hierarchical Clustering
from scipy.cluster.hierarchy import dendrogram, linkage
import matplotlib.pyplot as plt

# Sample data
X = [[1, 2], [1, 4], [1, 0], [10, 2], [10, 4], [10, 0]]

linked = linkage(X, 'single')
dendrogram(linked)
plt.show()

आयामीता में कमी

आयामीता में कमी महत्वपूर्ण जानकारी बनाए रखते हुए फ़ीचर की संख्या घटाकर डेटा को सरल बनाती है। प्रधान घटक विश्लेषण (PCA) इस कार्य के लिए एक सामान्य तकनीक है।

# Example: PCA
from sklearn.decomposition import PCA
import numpy as np

# Sample data
X = np.array([[1, 2], [3, 4], [5, 6], [7, 8]])

pca = PCA(n_components=1)
X_reduced = pca.fit_transform(X)
print("Reduced Data:", X_reduced)

अपर्यवेक्षित लर्निंग के अनुप्रयोग

अपर्यवेक्षित लर्निंग का उपयोग इन कार्यों में किया जाता है:

ग्राहक विभाजन: व्यवहार के आधार पर ग्राहकों का समूह बनाना।
असामान्यता की पहचान: डेटा में असामान्य पैटर्न की पहचान करना।
छवि संपीड़न: गुणवत्ता बनाए रखते हुए छवि का आकार कम करना।

क्लस्टर का दृश्यांकन

क्लस्टर का दृश्यांकन डेटा बिंदुओं के समूहों को समझने में सहायता करता है। इस उद्देश्य के लिए मैटप्लॉटलिब और सीबॉर्न उपयोगी हैं:

# Example: Visualizing clusters
import matplotlib.pyplot as plt

# Sample data and labels
X = [[1, 2], [1, 4], [1, 0], [10, 2], [10, 4], [10, 0]]
labels = [0, 0, 0, 1, 1, 1]

for i in range(len(X)):
    plt.scatter(X[i][0], X[i][1], c='r' if labels[i] == 0 else 'b')
plt.show()

अपर्यवेक्षित लर्निंग की चुनौतियाँ

अपर्यवेक्षित लर्निंग में कई चुनौतियाँ आती हैं, जिनमें शामिल हैं:

क्लस्टर की संख्या निर्धारित करना: K-Means में आपको क्लस्टर की संख्या पहले से निर्दिष्ट करनी होती है।
व्याख्येयता: क्लस्टर का अर्थ हमेशा स्पष्ट नहीं होता।
स्केलेबिलिटी: बड़े डेटासेट को संभालने में बहुत अधिक संगणनात्मक संसाधन लग सकते हैं।

अपर्यवेक्षित लर्निंग में सामान्य गलतियाँ

इन गलतियों से बचें:

K-Means में क्लस्टर की गलत संख्या चुनना।
डेटा का पूर्वप्रसंस्करण न करना, जैसे फ़ीचर की स्केलिंग न करना।
सत्यापन के बिना क्लस्टर के बारे में अतिशयोक्तिपूर्ण निष्कर्ष निकालना।

हमने क्या सीखा?

इस पाठ में आपने सीखा:

अपर्यवेक्षित लर्निंग की मूल बातें और इसके प्रमुख कार्य।
K-Means और पदानुक्रमित क्लस्टरिंग को लागू करना।
PCA का उपयोग करके आयामीता में कमी की अवधारणा।
अपर्यवेक्षित लर्निंग के अनुप्रयोग, चुनौतियाँ और सामान्य गलतियाँ।

बहुत बढ़िया! अब अगले विषय पर चलते हैं।

शुरुआत निःशुल्क

एआई शिक्षक के साथ Python सीखें — निःशुल्क

अपने ब्राउज़र में वास्तविक कोड लिखें और चलाएँ, चौबीसों घंटे एआई शिक्षक से तुरंत सहायता पाएँ, और वेब या ऐप पर वहीं से शुरू करें जहाँ आपने छोड़ा था।

पाठ्यक्रम: 22
पाठ: 94

निःशुल्क सीखना शुरू करें पूरा पाठ्यक्रम देखें

अक्सर पूछे जाने वाले प्रश्न

क्या “Unsupervised Learning” पाठ निःशुल्क है?

हाँ—“Unsupervised Learning” का पूरा पाठ यहाँ वेब पर निःशुल्क पढ़ा जा सकता है। इंटरैक्टिव अभ्यास (अंतर्निहित कोड संपादक और 24/7 एआई ट्यूटर) करने और Python For Kids पाठ्यक्रम का बाकी हिस्सा अनलॉक करने के लिए CoddyKit PRO लें। Python For Kids पाठ्यक्रम में कुल 6 पाठ शामिल हैं।

“Unsupervised Learning” में मैं क्या सीखूँगा?

K-Means और Hierarchical Clustering जैसी Clustering तकनीकें समझें आप ब्राउज़र में सीधे चलाए जाने वाले व्यावहारिक कोड के साथ Python For Kids का अभ्यास करते हैं, और पाठ पूरा करते समय 24/7 एआई ट्यूटर आपके प्रश्नों के उत्तर देता है।

क्या Python For Kids शुरू करने के लिए मुझे किसी अनुभव की आवश्यकता है?

पहले के अनुभव की आवश्यकता नहीं है। CoddyKit पर Python For Kids शुरुआती से लेकर उन्नत शिक्षार्थियों तक सभी के लिए व्यवस्थित किया गया है, इसलिए आप यहीं से या शुरुआत से सीखना शुरू कर सकते हैं और अपनी गति से आगे बढ़ सकते हैं। यह 6 में से 3वाँ पाठ है।

“Unsupervised Learning” पाठ पूरा करने में कितना समय लगता है?

CoddyKit का अधिकांश पाठ लगभग 5–10 मिनट में पूरा हो जाता है। हर पाठ छोटा और संवादात्मक है, इसलिए आप लगातार प्रगति करते हैं और वेब या ऐप पर वहीं से सीखना जारी रख सकते हैं जहाँ आपने छोड़ा था।

क्या मैं इस Python For Kids पाठ में कोड लिख और चला सकता हूँ?

हाँ। हर Python For Kids पाठ में एक अंतर्निर्मित कोड संपादक शामिल है, जिससे आप सीधे अपने ब्राउज़र में वास्तविक कोड लिख और चला सकते हैं और तुरंत एआई प्रतिक्रिया पा सकते हैं—स्थानीय सेटअप की आवश्यकता नहीं है।

इस पाठ्यक्रम के सभी पाठ

← Python For Kids पर वापस जाएँ