加密货币 AI-无监督机器学习 对几种加密货币的全面分析，目的是使用无监督机器学习找到一些数据簇，以就如何更好地投资加密货币提供建议。 脚步 提供了启动代码 数据已清理并处理 使用PCA进行数据缩减 使用K均值对数据进行聚类 创建了可视化文件以格式化并显示结果 代码 通过JupyterNotebooks实现Python-数据清理 可视化 3D散点图-PCA和群集数据 3D散点图-PCA和群集数据 要求的可交付成果 DataFrame for Cryptocurrencies-最终清除 弯头曲

加密货币 分析概述： 该项目的目的是使用无监督学习模型来评估加密货币数据，以向我们的客户问责制会计提供建议。 我们被要求分析和分组市场上的加密货币。 技术： 此项目中使用了以下无监督的机器学习工具：使用StandardScaler和MinMax Scaler的sklearn程序包，以帮助预处理数据，主成分分析以及最终的KMeans以及对加密货币进行聚类。 概括： 最初，我们创建了一个肘弯曲线以确定最佳的k值数量，并选择“ 4”，如下图所示： 接下来，我们运行K-means聚类并呈现此3D图

加密货币 使用无监督机器学习分析加密货币数据。

加密货币 无监督机器学习 该模块为我们提供了学习更多有关使用无监督机器学习模型的机会。 我们使用了各种模型，并引入了依赖关系来运行我们的代码。 使用加密货币数据，我们在删除了零值和未交易的货币后将信息切成两半。 最后，我们清理数据并将某些信息更改为数值，以便通过模型运行数据。 现在，我们有一个成品向玛莎的首席执行官和决策者展示，以便他们可以再看一下加密货币并确定前进的方向。 程式 依存关系 Jupyter笔记本 大熊猫 CSV文件 SKLearn 的GitHub 均值 GitBash 密

描述 无监督机器学习和加密货币。 该项目的目标是以任何能够发现趋势的方式分析加密货币数据集，这些趋势可以帮助说服利益相关者以可承受的价格投资于这些新的加密货币。 我们使用无监督算法深入研究了机器学习，当我们不确定要查找的内容或没有清晰的输出时，仅使用输入数据即可帮助我们探索数据。 我们主要使用K-means算法，K-means算法是主要的无监督算法，可将相似数据分组。 我们在此基础上通过使用主成分分析（PCA）来加快过程，该方法具有许多不同的功能。 情况/任务 使用可以帮助我们发现模式或组的算法