فرادرس
درباره سایت
آخرین مطالب
- فرادرس – کلمات کلیدی جستجو شده – بخش بیست و ششم
- فرادرس – کلمات کلیدی جستجو شده – بخش بیست و پنجم
- فرادرس – کلمات کلیدی جستجو شده – بخش بیست و چهارم
- فرادرس – کلمات کلیدی جستجو شده – بخش بیست و سوم
- فرادرس – کلمات کلیدی جستجو شده – بخش بیست و دوم
- فرادرس – کلمات کلیدی جستجو شده – بخش بیست و یکم
- وبلاگ های فرادرس
- فراردس – کلمات کلیدی جستجو شده – بخش نهم
- فراردس – کلمات کلیدی جستجو شده – بخش هشتم
- فراردس – کلمات کلیدی جستجو شده – بخش هفتم
امکانات وب
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 مهم ترین مباحث مطرح شده در این فیلم آموزشی در ادامه آمده اند:
- 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: مهندس سیدمصطفی کلامی هریس
توجه: این فیلم آموزشی، بخشی از یک محصول بزرگ تر، یعنی بسته طلایی فیلم های آموزشی داده کاوی یا Data Mining در متلب است. برای دریافت اطلاعات بیشتر در خصوص این بسته آموزشی ارزشمند، به این لینک (+) مراجعه نمایید.
برچسب: Hierarchical Clustering, KDD, Knowledge Discovery, Knowledge Discovery from Data, Partitioning Clustering Methods, Self,Organizing Maps, SOM, استخراج دانش, الگوریتم DBSCAN, الگوریتم Lloyd, تفاوت خوشه بندی و طبقه بندی, خوشه بندی, خوشه بندی بالارونده, خوشه بندی جدولی, خوشه بندی سلسله مراتبی, خوشه بندی سلسله مراتبی در متلب, خوشه بندی فازی, خوشه بندی فازی در متلب, خوشه بندی مبتنی بر تقسیم بندی, خوشه بندی مبتنی بر توزیع, خوشه بندی مبتنی بر چگالی, خوشه بندی پایین رونده, داده کاوی, داده کاوی در متلب, روش k,Means, روش k,Medoids, شبکه عصبی SOM, مبانی داده کاوی, نگاشت خود سازمان ده, پیاده سازی DBSCAN در متلب, پیاده سازی k,Means در متلب, پیاده سازی k,Medoids در متلب, کاربردهای خوشه بندی, کاوش دانش, کشف دانش,
نویسنده: فرادرس |FaraDars