دانلود ترجمه مقاله مروری مختصر بر پیشرفتهای اخیر در خوشه بندی

مروری مختصر بر پیشرفتهای اخیر در خوشه بندی

Recent Advances in Clustering: A Brief Survey

چکیده

1- مقدمه

2- روشهای تقسیم بندی

3- خوشه بندی سلسله مراتبی

4- خوشه بندی مبتنی بر چگالی

5- خوشه بندی مبتنی بر شبکه

6- روشهای مبتنی بر مدل

7- مجموعه های الگوریتم های خوشه بندی

8- نتیجه گیری

چکیده

یادگیری بی نظارت ( خوشه بندی) با نمونه هایی سر و کار دارد که از قبل به هر طریق دسته بندی شده و به همین خاطر مشخصه کلاسی در رابطه با آنها وجود ندارد. حدود کاربرد الگوریتم های خوشه بندی، برای کشف کلاس های مفید اما ناشناخته از آیتم ها می باشد. یادگیری بی نظارت شیوه ای برای یادگیری است که نمونه ها به صورت خودکار وبر مبنای تشابهشان در گروههای معنادارقرار داده می شوند. این مقاله، مفاهیم بنیادی یادگیری غیرنظارت شده را معرفی و در عین حال الگوریتم های خوشه بندی اخیر را مورد بررسی قرار می دهد. به علاوه، پیشرفتهای اخیر در یادگیری بی نظارت، نظیر مجموعه های الگوریتم های خوشه بندی و خوشه بندی توزیع شده، شرح داده شده است.

8. نتیجه گیری

شایان توجه است که لیست مراجع ، لیست جامعی از مقالات نیست که راجع به روشهای بی نظارت بحث می کنند: هدف ما، مرور و بررسی بحرانی و حساس ایده های کلیدی بود نه لیستی ساده از کلیه نشریه ها که راجع به آن ایده ها بحث کرده یا از آنها استفاده کرده بودند. علی رغم این مسئله، امید ما برآن است که مراجع ذکر شده، موضوعات نظری اصلی را پوشش داده و مسیرهایی در شاخه های اصلی متونی که با چنین روشهایی سرو کار دارند، ارائه می دهند. به طور کلی، می گوییم الگوریتم های تقسیم بندی معمولاً خوشه ها را با نمونه اولیه نشان می دهند. از یک استراتژی کنترل تکراری برای بهینه سازی کل خوشه بندی استفاده می شود به گونه ای که مثلاً فاصله متوسط یا جذر فاصله نمونه ها تا نمونه های اولیه اش به حداقل رسانده می شود. در نتیجه، این الگوریتم های خوشه بندی به شرطی در تعیین خوشه بندی موثر واقع می شوند که خوشه ها دارای شکل محدب و اندازه و چگالی مشابهی باشند، و در صورتی که خوشه ها را بتوان به شکلی مطلوب برآورد نمود.

Abstract

Unsupervised learning (clustering) deals with instances, which have not been pre-classified in any way and so do not have a class attribute associated with them. The scope of applying clustering algorithms is to discover useful but unknown classes of items. Unsupervised learning is an approach of learning where instances are automatically placed into meaningful groups based on their similarity. This paper introduces the fundamental concepts of unsupervised learning while it surveys the recent clustering algorithms. Moreover, recent advances in unsupervised learning, such as ensembles of clustering algorithms and distributed clustering, are described.

8 Conclusion

We should remark that the list of references is not a comprehensive list of papers discussing unsupervised methods: our aim was to produce a critical review of the key ideas, rather than a simple list of all publications which had discussed or made use of those ideas. Despite this, we hope that the references cited cover the major theoretical issues, and provide routes into the main branches of the literature dealing with such methods. Generally, we will say that partitioning algorithms typically represent clusters by a prototype. An iterative control strategy is used to optimize the whole clustering such that, e.g., the average or squared distances of instances to its prototypes are minimized. Consequently, these clustering algorithms are effective in determining a good clustering if the clusters are of convex shape, similar size and density, and if the number of clusters can be reasonably estimated.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

مروری مختصر بر پیشرفتهای اخیر در خوشه بندی

Recent Advances in Clustering: A Brief Survey