2016-7-10日，博客创建~！

我打火的最终结果可以用这张图表来概括:总的来说，我和约会的次数超过了我的对手的 1%。我认为这个数字相当保守；我很有信心，如果我想的话，我可以得到更多的约会。我选择发送多少条信息主要取决于我那周有多忙，我是否有其他约会计划(来自 Bumble 或我在现实生活中遇到的女孩)，或者我当时有多想去约会。数据来源这里所有的数据都来自我自己的 Tinder 个人资料。其中大部分来自对 Tinder 的数据请求，还有一部分是自我跟踪的。真的吗？我们生活在一个高度数字化的世界，大数据无处不在。

原文：TowardsDataScience Blog 协议：CC BY-NC-SA 4.0 数据好奇 29.05.2017:上周的数据故事、数据集和可视化综述 原文：https://towardsdatascience.com/data-curious-29-05-2017-a-roundup-of-data-stories-datasets-and-visualisations-from-last-week-c5c73894a29c?source=collection_archive--------

欢迎来到我关于数据科学的第三篇文章！在我之前的帖子中，我讨论了我如何使用监督机器学习来为一个慈善机构寻找捐助者。回想一下，在监督机器学习中，您有输入变量(X)和输出变量(Y ),并且您使用算法来学习从输入到输出的映射函数。**相比之下，在无监督的机器学习中你只有输入数据(X)而没有相应的输出变量。**无监督学习的目标是对数据中的底层结构或分布进行建模，以便了解更多关于数据的信息。这些被称为非监督学习，因为不像上面的监督学习，没有正确的答案，也没有老师。算法被留给它们自己的装置去发现和呈现数据中有趣的结构。