Новое 27 задание - Кластеризация для ЕГЭ | Информатика ЕГЭ | Умскул

• Новое задание ЕГЭ по информатике, которое раньше было сложным.  

• В прошлом году ввели эпи-адресацию, которая была интересной.  

• Автор видео, Вика, дважды сдала ЕГЭ по информатике на 100 баллов и имеет опыт преподавания.  

• Вика делится своим авторским сборником задач для подготовки к ЕГЭ.  

• В телеграм-канале можно найти шаблоны и примеры для знакомства с форматом ЕГЭ.  

• Вика рассказывает о своем опыте в машинном обучении и преподавании.  

• Задача связана с кластеризацией звезд на карте звездного неба.  

• Кластер — это набор звезд, расположенных внутри прямоугольника.  

• Центроид — это звезда, от которой до всех остальных звезд кластера минимальное расстояние.  

• Пример с кластеризацией звезд для объединения их в созвездия.  

• Кластеризация может применяться к любым объектам, включая людей и фильмы.  

• Кластеризация помогает в предобработке данных для машинного обучения.  

• Кластеризация относится к обучению без учителя, где нет учителя для проверки правильности.  

• В отличие от обучения с учителем, где есть ожидаемые значения, в кластеризации нет ожиданий.  

• Это позволяет самостоятельно придумывать, как разделять данные.  

• Обсуждение интуитивно понятного алгоритма кластеризации.  

• Пример с точками и их разделением на кластеры.  

• Переход к изучению переборного алгоритма.  

• Применение переборного алгоритма для двух кластеров.  

• Подсчет минимального расстояния до центров кластеров.  

• Пример неправильного разделения точек.  

• Пересчет расстояний для более оптимального разделения.  

• Перебор всех возможных комбинаций двух точек.  

• Выбор комбинации с минимальной суммой расстояний.  

• Написание кода для переборного алгоритма.  

• Преобразование данных из Excel в список точек.  

• Использование функции map для преобразования строк в списки.  

• Преобразование данных в список точек.  

• Замена запятых на точки для корректного преобразования.  

• Создание списка для хранения итоговых центроидов.  

• Подсчет евклидова расстояния между точками.  

• Создание функции для вычисления расстояния.  

• Подсчет суммарного расстояния до каждого кластера.  

• Подсчет минимального суммарного расстояния.  

• Обновление финальных центроидов.  

• Вычисление среднего арифметического координат центроидов.  

• Вывод финальных результатов.  

• Интуитивно понятная реализация алгоритма.  

• Возможность приведения к целому числу для корректного вывода.  

• Переписали евклидово расстояние и выбрали две точки для центроидов.  

• Отнесли каждую точку к одному из двух центров и выбрали оптимальный вариант.  

• Перешли к визуализации в Excel для анализа кластеров.  

• Использовали диаграмму в Excel для визуализации кластеров.  

• Определили центры кластеров и проверили их на соответствие.  

• Рекомендация: всегда проверять финальные результаты.  

• Предложили упрощенный подход: если по Y меньше 3, то это один кластер.  

• Если больше 3, то другой кластер.  

• Это упрощает задачу и позволяет найти наименее удаленную точку.  

• Использовали точечную диаграмму для визуализации данных.  

• Определили три кластера по значениям Y.  

• Предложили использовать уравнение прямых для кластеризации.  

• Создали список кластеров и добавляли в него точки.  

• Разделили точки на три кластера по значениям Y.  

• Определили центральную точку каждого кластера.  

• Перебирали точки по кластерам и находили минимальное суммарное расстояние.  

• Создали функцию для расчета центроида.  

• Перебирали все возможные точки и находили минимальную сумму расстояний.  

• Создали список финальных центроидов для каждого кластера.  

• Прошли по всем кластерам и нашли финальные центроиды.  

• Проверили результаты и убедились в их правильности.  

• Обсуждение точек и их соответствия.  

• Проверка правильности ответов.  

• Упоминание о необходимости деления на количество кластеров.  

• Процесс нахождения центроидов.  

• Определение среднего арифметического для иксов и игреков.  

• Получение правильных ответов.  

• Объяснение метода K-средних.  

• Определение количества кластеров и выбор начальных центроидов.  

• Важность выбора центроидов, которые не находятся рядом друг с другом.  

• Процесс пересчета центроидов на основе новых данных.  

• Пример с точками и их распределением по кластерам.  

• Пересчет центроидов для более точного определения кластеров.  

• Рисование точек и создание кластеров.  

• Пересчет центроидов и изменение состава кластеров.  

• Пример с изменением границ и центров кластеров.  

• Самостоятельная касторизация данных.  

• Важность изучения машинного обучения.  

• Импорт данных и начало работы с ними.  

• Функция "каминс" получает на вход все точки и количество кластеров.  

• Важно определить количество итераций для пересчета центроидов.  

• Рекомендуется использовать параметр "макс итер" для ограничения количества итераций.  

• Создание кластеров и выбор центроидов.  

• Важно правильно задать центроиды, чтобы избежать ловушек.  

• Рекомендуется брать точки, которые ближе к центроидам.  

• Определение индекса ближайшего кластера для каждой точки.  

• Использование евклидового расстояния для выбора минимального расстояния.  

• Добавление точки в ближайший кластер.  

• Обновление центроидов после каждой итерации.  

• Подсчет сумм по всем точкам в кластере и деление на количество точек.  

• Пересчет центроидов до тех пор, пока они не совпадут.  

• Прогон итераций до совпадения центроидов.  

• Проверка новых центроидов на соответствие старым.  

• Возвращение центроидов и проверка их правильности.  

• Обсуждение необходимости пересчета центроидов для правильного ответа.  

• Оптимизация алгоритма для более быстрого и точного результата.  

• Возможность создания собственной функции для задания центроидов.  

• Обсуждение метода Каминс Плюс Плюс для улучшения центроидов.  

• Использование библиотеки рандом для случайного выбора первого центроида.  

• Цель: избежать близкого расположения центроидов для лучшего разделения кластеров.  

• Создание списка расстояний для каждой точки до других центроидов.  

• Прохождение по всем центроидам и добавление евклидового расстояния.  

• Выбор точки с минимальным расстоянием до других центроидов для следующего центроида.  

• Добавление только минимального расстояния для каждой точки.  

• Поиск индекса точки с максимальным минимальным расстоянием.  

• Возвращение полученных центроидов и улучшение производительности.  

• Обсуждение улучшения алгоритма и его применения.  

• Призыв к подписке на дополнительные курсы по машинному обучению.  

• Прощание и пожелания хорошего сна.