عنوان مقاله: تکنينکهاي خوشه بندي CLUSTERING TECHNIQUES قالب بندی: wordتعداد صفحات: 33شرح مختصر:هدف اين گزارش فراهم کردن مطالعه اي جامع، از تکنيکهاي متفاوت خوشه بندي، در داده کاوي است. خوشه بندي, تقسيم داده ها به گروههايي از اشيا مشابه است. هر گروه، خوشه ناميده مي شود، که اشياء هر خوشه به يکديگر شبيه بوده ونسبت به اشياء ديگر خوشه ها شبيه نيستند. نمايش داده ها با تعداد خوشه هاي کم، به الزام باعث از بين رفتن جزئياتخواهد شد (شبيه از دست رفتن اطلاعات، در فشرده سازي)، اما اين کار باعث ساده سازي مسائل مي شود. تکنيک خوشه بندي، تعداد زيادي از اشياء داده اي را با تعداد کمي خوشه، نمايش مي دهد، بنابراين اين تکنيک، داده ها را با خوشه هاي شان مدل مي کند. به لحاظ مدلسازي داده ها ريشه هاي ايجاد تکنيک خوشه بندي، رياضيات، آمار و آناليزعددي مي باشد. ازديدگاه يادگيري ماشين ، خوشه ها مترادف با الگوهاي مخفي ، جستجو براي يافتن خوشه ها يعني يادگيري بي سرپرست ، و سيستم حاصل بيانگر مفهوم داده ، مي باشد. بنابراين، خوشه بندي يادگيري بي سرپرست مفهوم داده مخفي،مي باشد. داده کاوي با پايگاه داده هاي بزرگ، نيازهاي سخت محاسباتي به تکنيک آناليز خوشه ها تحميل مي کند. اين چالش و راه حل هاي ارائه شده براي آن در داده کاوي، مورد توجه اين گزارش مي باشد.فهرست مطالب:١- مقدمه٢- معرفي داده کاوي2-1 چه چيزي سبب پيدايش داده کاوي شده است؟2-2داده کاوي چيست؟2-3چه نوع الگوهايي با داده کاوي قابل دريافت هستند؟٣- تکنيکهاي داده کاوي3-1 تکنيک توصيف مشخصه3-2 آناليز تداعي3-3 کلاس بندي و پيش بيني3-4 آناليز خوشه ها3-5 آناليز عدم توافق3-6 آناليز سير تکامل4- تکنيک خوشه بندي4-1 علائم نشانه گذاري4-2 شرح مختصر تاريخجه تکنيک خوشه بندي4-3 دسته بندي الگوريتمهاي خوشه بندي4-4 شرح دسته بندي الگوريتمهاي خوشه بندي4-5 نتايج مهم۵- خوشه بندي سلسله مراتبي5-1 اندازهء اتصال5-2 خوشه بندي سلسله مراتبي با اشکال دلخواه خوشه5-3 افراز تقسيمي دودويي5-4 ديگر توسعه ها6-روشهاي افرازي بازمکاني6-1 خوشه بندي احتمالاتي6-2روشهاي مبتني بر k- ميانه6-3 روشهاي مبتني برk-متوسط٧- افراز بر اساس تراکم7-1اتصال مبتني برتراکم7-2تابع تراکم٨- جمع بندي
تکنينکهاي خوشه بندي
عنوان مقاله: تکنينکهاي خوشه بندي CLUSTERING TECHNIQUES قالب بندی: wordتعداد صفحات: 33شرح مختصر:هدف اين گزارش فراهم کردن مطالعه اي جامع، از تکنيکهاي متفاوت خوشه بندي، در داده کاوي است. خوشه بندي, تقسيم داده ها به گروههايي از اشيا مشابه است. هر گروه، خوشه ناميده مي شود، که اشياء هر خوشه به يکديگر شبيه بوده ونسبت به اشياء ديگر خوشه ها شبيه نيستند. نمايش داده ها با تعداد خوشه هاي کم، به الزام باعث از بين رفتن جزئياتخواهد شد (شبيه از دست رفتن اطلاعات، در فشرده سازي)، اما اين کار باعث ساده سازي مسائل مي شود. تکنيک خوشه بندي، تعداد زيادي از اشياء داده اي را با تعداد کمي خوشه، نمايش مي دهد، بنابراين اين تکنيک، داده ها را با خوشه هاي شان مدل مي کند. به لحاظ مدلسازي داده ها ريشه هاي ايجاد تکنيک خوشه بندي، رياضيات، آمار و آناليزعددي مي باشد. ازديدگاه يادگيري ماشين ، خوشه ها مترادف با الگوهاي مخفي ، جستجو براي يافتن خوشه ها يعني يادگيري بي سرپرست ، و سيستم حاصل بيانگر مفهوم داده ، مي باشد. بنابراين، خوشه بندي يادگيري بي سرپرست مفهوم داده مخفي،مي باشد. داده کاوي با پايگاه داده هاي بزرگ، نيازهاي سخت محاسباتي به تکنيک آناليز خوشه ها تحميل مي کند. اين چالش و راه حل هاي ارائه شده براي آن در داده کاوي، مورد توجه اين گزارش مي باشد.فهرست مطالب:١- مقدمه٢- معرفي داده کاوي2-1 چه چيزي سبب پيدايش داده کاوي شده است؟2-2داده کاوي چيست؟2-3چه نوع الگوهايي با داده کاوي قابل دريافت هستند؟٣- تکنيکهاي داده کاوي3-1 تکنيک توصيف مشخصه3-2 آناليز تداعي3-3 کلاس بندي و پيش بيني3-4 آناليز خوشه ها3-5 آناليز عدم توافق3-6 آناليز سير تکامل4- تکنيک خوشه بندي4-1 علائم نشانه گذاري4-2 شرح مختصر تاريخجه تکنيک خوشه بندي4-3 دسته بندي الگوريتمهاي خوشه بندي4-4 شرح دسته بندي الگوريتمهاي خوشه بندي4-5 نتايج مهم۵- خوشه بندي سلسله مراتبي5-1 اندازهء اتصال5-2 خوشه بندي سلسله مراتبي با اشکال دلخواه خوشه5-3 افراز تقسيمي دودويي5-4 ديگر توسعه ها6-روشهاي افرازي بازمکاني6-1 خوشه بندي احتمالاتي6-2روشهاي مبتني بر k- ميانه6-3 روشهاي مبتني برk-متوسط٧- افراز بر اساس تراکم7-1اتصال مبتني برتراکم7-2تابع تراکم٨- جمع بندي