# ML Nienadzorowane (Data Science & ML)

> K-Means, klastrowanie hierarchiczne, DBSCAN, PCA, t-SNE, UMAP, silhouette score, elbow method

- 22 pytań z rozmów
- Mid-Level
- [Pytania z rozmów: Data Science & ML](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne.md)

## 1. Jaka jest główna różnica między uczeniem nadzorowanym a nienadzorowanym?

**Odpowiedź**

Uczenie nienadzorowane działa z danymi bez etykiet, próbując odkryć ukryte struktury lub wzorce bez wstępnie zdefiniowanej zmiennej docelowej. W przeciwieństwie do uczenia nadzorowanego, które przewiduje znaną wartość (etykietę), uczenie nienadzorowane eksploruje dane, aby znaleźć naturalne grupy, zredukować wymiarowość lub wykryć anomalie. Algorytmy takie jak K-Means, PCA czy DBSCAN są typowymi przykładami uczenia nienadzorowanego.

## 2. Jak działa algorytm K-Means do partycjonowania danych?

**Odpowiedź**

K-Means to iteracyjny algorytm, który dzieli dane na K klastrów. Inicjalizuje losowo K centroidów, następnie naprzemiennie wykonuje dwa kroki: przypisanie każdego punktu do najbliższego centroidu (krok przypisania) i ponowne obliczenie pozycji centroidów jako średniej przypisanych punktów (krok aktualizacji). Algorytm zbiega się, gdy przypisania już się nie zmieniają lub po maksymalnej liczbie iteracji.

## 3. Jakiej metody użyć do określenia optymalnej liczby klastrów K w K-Means?

**Odpowiedź**

Elbow method wykreśla inercję (sumę kwadratów odległości między każdym punktem a jego centroidem) względem K. Punkt, w którym krzywa tworzy łokieć, wskazuje optymalne K, ponieważ poza nim dodawanie klastrów nie poprawia już znacząco inercji. Metoda ta jest uzupełniana silhouette score do walidacji jakości klastrów.

## Jeszcze 19 dostępnych pytań

- Co mierzy silhouette score w kontekście klastrowania?
- Jaki jest zakres wartości silhouette score i jak interpretować wynik 0.7?

Zarejestruj się za darmo: https://sharpskill.dev/pl/login

## Inne tematy rekrutacyjne Data Science & ML

- [Podstawy Pythona](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/python-basics.md): 25 pytań, Junior
- [Programowanie Obiektowe w Pythonie](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/python-oop.md): 20 pytań, Junior
- [Struktury danych Python](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/python-data-structures.md): 20 pytań, Junior
- [Podstawy Git](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/git-fundamentals.md): 18 pytań, Junior
- [Podstawy SQL](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/sql-basics.md): 20 pytań, Junior
- [Podstawy NumPy](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/numpy-fundamentals.md): 22 pytań, Junior
- [Podstawy Pandas](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/pandas-basics.md): 22 pytań, Junior
- [Jupyter & Google Colab](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/jupyter-colab.md): 16 pytań, Junior
- [SQL Joins i zaawansowane zapytania](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/sql-joins-advanced.md): 22 pytań, Mid-Level
- [Zaawansowany Pandas](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/pandas-advanced.md): 24 pytań, Mid-Level
- [Wizualizacja z Matplotlib & Seaborn](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/matplotlib-seaborn.md): 20 pytań, Mid-Level
- [Interaktywne wizualizacje z Plotly](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/plotly-interactive.md): 18 pytań, Mid-Level
- [Statystyka opisowa](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/statistics-descriptive.md): 20 pytań, Mid-Level
- [Statystyka inferencyjna](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/statistics-inferential.md): 24 pytań, Mid-Level
- [Web Scraping](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/web-scraping.md): 18 pytań, Mid-Level
- [BigQuery & Cloud Data](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/bigquery-cloud.md): 18 pytań, Mid-Level
- [Feature Engineering](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/feature-engineering.md): 22 pytań, Mid-Level
- [Uczenie nadzorowane: Regresja](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/ml-supervised-regression.md): 24 pytań, Mid-Level
- [Uczenie nadzorowane: Klasyfikacja](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/ml-supervised-classification.md): 24 pytań, Mid-Level
- [Drzewa Decyzyjne i Ensembles](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/ml-trees-ensembles.md): 24 pytań, Mid-Level
- [Pipeline'y ML i walidacja](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/ml-pipelines-validation.md): 22 pytań, Mid-Level
- [Szeregi czasowe i prognozowanie](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/time-series-forecasting.md): 22 pytań, Mid-Level
- [Podstawy Deep Learning](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/deep-learning-fundamentals.md): 24 pytań, Senior
- [TensorFlow & Keras](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/tensorflow-keras.md): 22 pytań, Senior
- [CNN i klasyfikacja obrazów](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/cnn-image-classification.md): 24 pytań, Senior
- [RNN i Sekwencje](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/rnn-sequences.md): 22 pytań, Senior
- [Transformers i Attention](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/transformers-attention.md): 24 pytań, Senior
- [NLP i Hugging Face](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/nlp-huggingface.md): 24 pytań, Senior
- [GenAI i LangChain](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/genai-langchain.md): 24 pytań, Senior
- [MLOps i Wdrożenie](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/mlops-deployment.md): 24 pytań, Senior

---

Source: SharpSkill (https://sharpskill.dev), tech interview preparation for your real stack.
HTML version of this page: https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/ml-unsupervised