تحميل الصور ومعالجتها أوليا
البيانات غير المنظمة متنوعة ويمكن أن تحتاج إلى كثير من الوقت والموارد الحاسوبية
تتمثل الخطوة التالية في تحويل قائمتي resized_images (الصور_ المعدل حجمها)، labels (العناوين) الى مصفوفات
التجميع من دون هندسة الخصائص
يمكن الآن تصوير البيانات بصرياً باستخدام أداة TSNEYisualizer المألوفة من مكتبة yellowbrick
الرسم الشجري يصنف البيانات الى عنقودين
مؤشر التجانس والاكتمال يأخذان فيما بين 0 و 1 وترتفع مؤشر قيمة التجانس الى أقصى حد
التجميع بانتقاء الخصائص
يعد هذا التصوير أكثر مصداقية من الذي تم انتاجه للبيانات غير المحولة
يقترح الرسم الشجري خمسة عناقيد وهو بالضبط نصف العدد الصحيح البالغ عشرة عناقيد
التجميع باستخدام الشبكات العصبية
يمكن استخدام مكتبة TensorFlow ومكتبة Keras
تعد النتائج مذهلة لأن التصوير الجديد يشكف عناقيد مفصولة عن بعضها بوضوح وتكاد تكون كاملة
يستخدم المقطع البرمجي التالي التجميع التكتلي بوضوح ويوضح قيم المؤشرات لكل من العناقيد الأربعة والعناقيد العشرة
اذكر الميزة التي تتمتع بها تقنيات التعلم غير الموجه مقارنة بتقنيات التعلم الموجه في تحليل الصور
أكمل المقطع البرمجي التالي بحيث يستخدم التجميع التكتلي في تصنيف الصور التي من X_flat الى خمسة عناقيد مختلفة
عدد بعض مزايا استخدام التعلم العميق التي يمتاز بها على طرائق تجميع الصور التقليدية
اكمل المقطع البرمجي التالي بحيث يستخدم طريقة وارد (ward) لانشاء وتصوير رسم شجري للصور في هذه المصفوفة
صف الطريقة التي يطبق بها التجميع بالشبكات العصبية في تحليل الصور
