Перейти до головного вмісту

Блоки

Пропустити Навігація

Навігація

  • Інформаційна панель

    • Домашня сторінка

    • Сторінки сайту

      • Мої курси

      • Мітки

      • ФайлІнструкція для здобувачів освіти до вибору дисципл...

      • URL (веб-посилання)Вибір дисциплін на 2025-2026 навчальний рік

      • URL (веб-посилання)Вибір дисциплін на 2024-2025 навчальний рік

      • ФорумНовини сайту

      • URL (веб-посилання)Інструкція - основи роботи з системою Moodle

      • URL (веб-посилання)ЦИВІЛЬНИЙ ЗАХИСТ

      • ТекаНормативна база СЕЗН

      • URL (веб-посилання)Відновлення пароля

      • ФайлПам’ятка для користувача системи Moodle

      • ФайлСистема оцінки курсу

      • Зворотний зв’язокОцінка якості курсу

    • Мої курси

    • Курси

      • Факультети, кафедри

        • Біологічний факультет

        • Економічний факультет

        • Журналістики факультет

        • Інженерний навчально-науковий інститут ім. Ю.М. По...

        • Іноземної філології факультет

        • Математичний факультет

          • Кафедра загальної математики

          • Кафедра загальної та прикладної фізики

          • Кафедра комп'ютерних наук

          • Кафедра прикладної математики і механіки

          • Кафедра програмної інженерії

            • archive

            • Технології Big Data

            • Машинне навчання (Математичні основи машинного нав...

            • C/к Сучасні СУБД (Плюта Н. В.)

            • 2 Програмне забезпечення наукових досліджень (магі...

            • Автоматизоване тестування (Кудін О.В.)

            • Автоматизоване тестування Web-додатків (Кудін О.В.)

            • Адміністрування комп'ютерних систем (Горбенко В.І.)

            • Алгебра та геометрія Дисципліна вільного вибору ст...

            • Алгоритми та структури даних (Програмна інженерія)

            • Алгоритми шифрування та захисту даних

            • Аналіз вимог до програмного забезпечення. Мильцев ...

            • Основи машинного навчання

              • Загальне

              • 1. Пояснювальний аналіз даних.

              • 2. Попередня обробка даних

              • 3. Лінійні моделі прогнозування

              • 4. Моделі інформаційного навчання

              • 5. Моделі на основі схожості та помилок

              • 6. Ансамблеві моделі

              • 7. Навчання без вчителя

                • ЗавданняЛабораторна робота №9

              • 8. Організація обчислювального процесу моделей маш...

              • Екзамен

          • Кафедра фундаментальної та прикладної математики

          • Практична підготовка математичного факультету

          • Інформація

          • Комп'ютерне моделювання(Гребенюк)

          • Проєктування та аналіз обчислювальних алгоритмів

        • Менеджменту факультет

        • Соціальної педагогіки та психології факультет

        • Соцiологiї та управлiння факультет

        • Факультет історії та міжнародних відносин

        • Факультет фізичного виховання, здоров'я та туризму

        • Філологічний факультет

        • Юридичний факультет

      • Аспірантура

      • Науково-технічна позашкільна освіта

      • Підготовчі курси до ЗНО

      • Адміністративний розділ

      • Центр післядипломної освіти та професійних кваліфі...

      • Школа педагогічної майстерності

  • Закрити
    Переключити введення пошуку
  • Українська ‎(uk)‎
    • Русский ‎(ru)‎
    • Українська ‎(uk)‎
    • Deutsch ‎(de_old)‎
    • English ‎(de)‎
    • English ‎(en)‎
    • Español - Internacional ‎(es)‎
    • Français ‎(fr)‎
    • Italiano ‎(it)‎
    • Polski ‎(pl)‎
  • Вхід

Основи машинного навчання

Закрити
Переключити введення пошуку
  1. Головна
  2. Курси
  3. Факультети, кафедри
  4. Математичний факультет
  5. Кафедра програмної інженерії
  6. Основи машинного навчання
  7. 7. Навчання без вчителя
  8. Лабораторна робота №9

Лабораторна робота №9

Умови завершення

Для набору даних https://www.kaggle.com/datasets/mehmettahiraslan/customer-shopping-dataset розв'язати задачу сегментації клієнтів. Виконати такі дії.

1. Провести описовий аналіз даних.

2. Виконати попередню обробку даних.

3. Застосувати методи кластеризації: K-means, DBSCAN, спектральна кластеризація.

4. Для методу K-means визначити оптимальну кількість кластерів. 

5. Проаналізувати окремо кожний сегмент клієнтів та зробити висновки.

Приклад. https://colab.research.google.com/drive/1NPJbaQI5PCoQWMCXVVidOSStCarsO7Z7?usp=sharing

Попередня секція
Лабораторна робота №8. Порівняння методів ансамблювання
Наступна секція
Лабораторна робота №10. Розгортання моделей машинного навчання
Підсумок збереження даних
Завантажте мобільний додаток