آموزش یادگیری ماشین با پایتون: k-Means Clustering

مقدمه Introduction

• شروع با پایتون و k-means خوشه بندی است Getting started with Python and k-means clustering

• آنچه شما باید بدانید What you should know

• ابزارهایی که نیاز دارید The tools you need

• با استفاده از فایل های تمرین Using the exercise files

1. درک K-Means Clustering 1. Understanding K-Means Clustering

• خوشه بندی چیست؟ What is clustering?

• خوشه بندی k-means چیست؟ What is k-means clustering?

• انتخاب تعداد مناسب خوشه ها Choosing the right number of clusters

• چرا و زمان استفاده از k-means خوشه بندی است Why and when to use k-means clustering

• امتحان فصل Chapter Quiz

2. بخش بندی داده ها با K-Means Clustering 2. Segmenting Data with K-Means Clustering

• چگونه داده ها را با خوشه بندی k-means در پایتون تقسیم بندی کنیم How to segment data with k-means clustering in Python

• نحوه ارزیابی و تجسم خوشه ها در پایتون How to evaluate and visualize clusters in Python

• چگونه تعداد مناسب خوشه ها را در پایتون پیدا کنیم How to find the right number of clusters in Python

• نحوه تفسیر نتایج خوشه بندی k-means در پایتون How to interpret the results of k-means clustering in Python

نتیجه Conclusion

• مراحل بعدی Next steps