فیلم آموزشی جامع خوشه بندی یا Clustering (بخش دوم)

برای کسب اطلاعات بیشتر، به این لینک مراجعه نمایید: http://www.faradars.org/mvrdm9206de در بسیاری از رشته های علمی و فنی، در نهایت ما با مجموعه ای از داده ها روبرو هستیم که حجم کم یا زیادی را دارند؛ اما مهم ترین کار، به دست آوردن چنین پایگاه داده ای نیست. بلکه باید بتوانیم، سطح بالاتری از دانش را با توجه به پایگاه داده مذکور به دست بیاوریم؛ این یعنی نتیجه گیری و جمع بندی تمام تلاش هایی که برای جمع آوری آن داده ها صرف شده است. اکثر دانشمندان و محققین سرشناس هر رشته علمی یا فنی، در کنار عامل خلاقیت و تخصص، یک ویژگی مشترک و بسیار مهم دارند، و آن نتیجه گیری های مهمی است که از مشاهدات و داده های جمع آوری شده ارائه کرده اند. در رشته های مختلف علمی، نظریه های بسیار مهمی که با مطالعات میدانی به دست آمده اند، همگی دارای این مولفه مشترک هستند: به دست آوردن قواعد و قوانینی که توضیحی فشرده و مفهومی از داده های در دسترس را ارائه می دهند. این عملیات، و مجموعه دیگری از کارهای مرتبط با آن، موضوع بحث یکی از زیر شاخه های مشترک علوم کامپیوتر و آمار، به نام داده کاوی یا Data Mining است. فرآیند کلی استخراج دانش از داده، معنای عام تری از داده کاوی را در بر دارد که به Knowledge Discovery from Data یا KDD معروف است. بسیاری از مسائل داده کاوی را می توان به صورت یک مسأله خوشه بندی یا Clustering بیان نمود، که در آن یک عامل هوشمند یا نیمه-هوشمند باید بتواند بدون در دست داشتن هیچ اطلاعات زمینه ای، طبقه بندی منطقی از یک سری موارد در دسترس را داشته باشد. در واقع مسأله خوشه بندی، یک مسأله یادگیری غیر نظارت شده است. در فیلم آموزشی جامع خوشه بندی یا Clustering، پس از مرور کلی بر مفاهیم پایه خوشه بندی و تفاوت های آن با مسأله طبقه بندی یا Classification، چندین روش مهم و پرکاربرد در حوزه آنالیز خوشه معرفی و به صورت عملی در محیط متلب پیاده سازی شده اند. سرفصل های مورد بحث در این فیلم آموزشی عبارتند از: مروری بر مفاهیم پایه خوشه بندی یا Clustering مروری بر تفاوت های خوشه بندی و طبقه بندی ارائه چند مثال از کاربردهای خوشه بندی در داده کاوی و مسائل عملی بررسی انواع روش های خوشه بندی روش های خوشه بندی مبتنی بر تقسیم بندی یا Partitioning Methods بررسی روش k-Means (الگوریتم Lloyd) به همراه پیاده سازی در متلب بررسی روش k-Medoids به همراه پیاده سازی در متلب بررسی روش Fuzzy C-Means یا FCM و پیاده سازی آن در متلب معرفی نگاشت های خود سازمان ده یا SOM و پیاده سازی آن ها در محیط متلب روش های خوشه بندی سلسله مراتبی یا Hierarchical Clustering بررسی روش های بالارونده یا AGNES و پایین رونده یا DIANA پیاده سازی رویکرد AGNES در محیط متلب روش های خوشه بندی مبتنی بر چگالی یا توزیع بررسی الگوریتم DBSCAN یا Density-Based Spatial Clustering of Applications with Noise پیاده سازی الگوریتم DBSCAN در محیط متلب روش های خوشه بندی جدولی یا Grid-based Clustering بررسی رویکردهای استفاده از الگوریتم های تکاملی و بهینه سازی در خوشه بندی مدرس: سید مصطفی کلامی هریس کلمات کلیدی: AGNES, Clustering, Data Mining, Data Mining in MATLAB, DIANA, FCM, Fuzzy c-Means, Grid-based Clustering, Hierarchical Clustering, KDD, Knowledge Discovery, Knowledge Discovery from Data, Partitioning Clustering Methods, Self-Organizing Maps, SOM,