Unsupervised learning

Kommunikation og IT A · HTX · A-niveau · AI og maskinlæring

💻 Unsupervised Learning

Unsupervised learning: ingen mærkede data — algoritmen finder selv mønstre og struktur.

Clustering — gruppér lignende datapunkter:

K-Means:

```python

from sklearn.cluster import KMeans

kmeans = KMeans(n_clusters=3)

kmeans.fit(X)

labels = kmeans.labels_ # hvilken gruppe hvert punkt tilhører

```

Algoritmen: 1) Vælg k tilfældige centre, 2) Tildel hvert punkt til nærmeste center, 3) Opdatér centre, 4) Gentag til konvergens.

Dimensionalitetsreduktion — reducér features:

PCA (Principal Component Analysis): projicerer høj-dimensional data til 2D/3D for visualisering.

```python

from sklearn.decomposition import PCA

pca = PCA(n_components=2)

X_2d = pca.fit_transform(X)

```

Anbefalingssystemer: collaborative filtering (Netflix, Spotify) — brugere der ligner dig lyttede til...

Anvendelser: kundesegmentering, anomaliopdagelse, komprimering af billeder.

Læringsmål

• Forklare K-Means clustering og implementere det
• Anvende PCA til dimensionalitetsreduktion og visualisering
• Skelne supervised fra unsupervised learning
• Identificere relevante use cases for clustering

Sådan kan du arbejde med emnet

• Forklar hvordan k-means clustering grupperer data uden mærkede kategorier
• Giv et eksempel på en virksomhed der kunne bruge clustering på kundedata
• Diskutér forskellen på supervised og unsupervised learning med egne ord

Træningsforslag

• Kluster et datasæt med K-Means og visualisér med matplotlib
• Brug PCA til at visualisere et multidimensionelt datasæt i 2D
• Byg et simpelt anbefalingssystem baseret på cosine similarity