Constrained clustering: Advances in algorithms, theory, and applications

دسته بندی: سایبرنتیک: هوش مصنوعی
ویرایش: 1 
نویسندگان: Sugato Basu,  Ian Davidson,  Kiri Wagstaff  
سری: Chapman & Hall/CRC Data Mining and Knowledge Discovery Series 
ISBN (شابک) : 1584889969, 9781584889977 
ناشر: Chapman and Hall/CRC 
سال نشر: 2008 
تعداد صفحات: 469 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 8 مگابایت 

قیمت کتاب (تومان) : 29,000

از زمان کار اولیه بر روی خوشه بندی محدود، پیشرفت های زیادی در روش ها، کاربردها و درک ما از ویژگی های نظری محدودیت ها و الگوریتم های خوشه بندی محدود صورت گرفته است. با گردآوری این پیشرفت‌ها، خوشه‌بندی محدود: پیشرفت‌ها در الگوریتم‌ها، تئوری و کاربردها مجموعه گسترده‌ای از آخرین نوآوری‌ها در روش‌های تجزیه و تحلیل داده‌های خوشه‌بندی را ارائه می‌دهد که از دانش پس‌زمینه کدگذاری شده به عنوان محدودیت استفاده می‌کنند.

الگوریتم‌ها

پنج فصل اول این جلد به بررسی پیشرفت‌ها در استفاده از محدودیت‌های زوجی در سطح نمونه برای خوشه‌بندی پارتیشنی و سلسله مراتبی می‌پردازد. سپس این کتاب انواع دیگری از محدودیت‌ها را برای خوشه‌بندی، از جمله متعادل‌سازی اندازه خوشه، حداقل اندازه خوشه و محدودیت‌های رابطه‌ای در سطح خوشه بررسی می‌کند.

تئوری

همچنین تغییرات خوشه‌بندی سنتی تحت محدودیت‌ها و همچنین الگوریتم‌های تقریب را با تضمین عملکرد مفید توصیف می‌کند.

برنامه‌ها

این کتاب با اعمال خوشه‌بندی با محدودیت‌هایی برای داده‌های رابطه‌ای، انتشار داده‌های حفظ حریم خصوصی، و داده‌های نظارت تصویری به پایان می‌رسد. این یک رویکرد خوشه‌بندی بصری تعاملی، یک رویکرد یادگیری متریک از راه دور، محدودیت‌های وجودی، و محدودیت‌های تولید شده به طور خودکار بحث می‌کند.

با مشارکت محققان صنعتی و کارشناسان برجسته دانشگاهی که در این زمینه پیشگام بودند، این جلد پوشش کاملی از قابلیت‌ها و محدودیت‌های روش‌های خوشه‌بندی محدود ارائه می‌کند و همچنین انواع جدیدی از محدودیت‌ها و الگوریتم‌های خوشه‌بندی را معرفی می‌کند.

Since the initial work on constrained clustering, there have been numerous advances in methods, applications, and our understanding of the theoretical properties of constraints and constrained clustering algorithms. Bringing these developments together, Constrained Clustering: Advances in Algorithms, Theory, and Applications presents an extensive collection of the latest innovations in clustering data analysis methods that use background knowledge encoded as constraints.

Algorithms

The first five chapters of this volume investigate advances in the use of instance-level, pairwise constraints for partitional and hierarchical clustering. The book then explores other types of constraints for clustering, including cluster size balancing, minimum cluster size,and cluster-level relational constraints.

Theory

It also describes variations of the traditional clustering under constraints problem as well as approximation algorithms with helpful performance guarantees.

Applications

The book ends by applying clustering with constraints to relational data, privacy-preserving data publishing, and video surveillance data. It discusses an interactive visual clustering approach, a distance metric learning approach, existential constraints, and automatically generated constraints.

With contributions from industrial researchers and leading academic experts who pioneered the field, this volume delivers thorough coverage of the capabilities and limitations of constrained clustering methods as well as introduces new types of constraints and clustering algorithms.