Ongesuperviseerd ML
K-Means, hiërarchische clustering, DBSCAN, PCA, t-SNE, UMAP, silhouette score, elbow method
1Wat is het belangrijkste verschil tussen supervised en unsupervised learning?
Wat is het belangrijkste verschil tussen supervised en unsupervised learning?
Antwoord
Unsupervised learning werkt met ongelabelde data en probeert verborgen structuren of patronen te ontdekken zonder een vooraf gedefinieerde doelvariabele. In tegenstelling tot supervised learning dat een bekende waarde (label) voorspelt, verkent unsupervised learning data om natuurlijke groepen te vinden, dimensionaliteit te verminderen of anomalieën te detecteren. Algoritmes zoals K-Means, PCA of DBSCAN zijn typische voorbeelden van unsupervised learning.
2Hoe werkt het K-Means algoritme om data te partitioneren?
Hoe werkt het K-Means algoritme om data te partitioneren?
Antwoord
K-Means is een iteratief algoritme dat data partitioneert in K clusters. Het initialiseert K centroids willekeurig en wisselt af tussen twee stappen: elk punt toewijzen aan de dichtstbijzijnde centroid (toewijzingsstap) en centroidposities herberekenen als het gemiddelde van toegewezen punten (updatestap). Het algoritme convergeert wanneer toewijzingen niet meer veranderen of na een maximaal aantal iteraties.
3Welke methode moet worden gebruikt om het optimale aantal clusters K in K-Means te bepalen?
Welke methode moet worden gebruikt om het optimale aantal clusters K in K-Means te bepalen?
Antwoord
De elbow method plot de inertia (som van kwadratische afstanden tussen elk punt en zijn centroid) tegen K. Het punt waar de curve een elleboog vormt, geeft de optimale K aan, omdat verder toevoegen van clusters de inertia niet meer significant verbetert. Deze methode wordt aangevuld met silhouette score om de clusterkwaliteit te valideren.
Wat meet de silhouette score in de context van clustering?
Wat is het waardenbereik van de silhouette score en hoe een score van 0.7 te interpreteren?
+19 gespreksvragen
Andere Data Science & ML-sollicitatieonderwerpen
Python-basisbeginselen
Python Objectgeoriënteerd Programmeren
Python-datastructuren
Git-Fundamenten
SQL-basisbeginselen
NumPy-grondbeginselen
Pandas-basis
Jupyter & Google Colab
SQL Joins & geavanceerde queries
Geavanceerd Pandas
Visualisatie met Matplotlib & Seaborn
Interactieve visualisaties met Plotly
Beschrijvende statistiek
Inferentiële statistiek
Web Scraping
BigQuery & Cloud Data
Feature Engineering
Supervised ML: Regressie
Supervised ML: Classificatie
Beslissingsbomen & Ensembles
ML Pipelines & Validatie
Tijdreeksen & Voorspelling
Fundamenten van Deep Learning
TensorFlow & Keras
CNN en beeldclassificatie
RNN & Reeksen
Transformers & Attention
NLP & Hugging Face
GenAI & LangChain
MLOps en Deployment
Beheers Data Science & ML voor je volgende gesprek
Krijg toegang tot alle vragen, flashcards, technische tests, code review-oefeningen en gespreksimulatoren.
Begin gratis