Mathematical Classification and Clustering

من بسیار خوشحالم که این فرصت را دارم تا کار بوریس میرکین، محقق برجسته روسی را در زمینه تجزیه و تحلیل داده ها و روش های تصمیم گیری ارائه کنم. این مونوگراف کاملاً به خوشه‌بندی اختصاص دارد، رشته‌ای که در بسیاری از زمینه‌های نظری و کاربردی، از آمار ریاضی و بهینه‌سازی ترکیبی آزمایشی گرفته تا زیست‌شناسی، جامعه‌شناسی و ساختارهای سازمانی پراکنده شده است. حجم عظیمی از تحقیقات انجام شده تا به امروز را گردآوری می کند، از جمله بسیاری از توسعه های اصلی روسی که قبلاً به جامعه بین المللی ارائه نشده بود (به عنوان مثال، نسخه های خوشه ای روش K-Means در فصل 4 یا تقسیم بندی یکنواخت در فصل 5). ). رویکرد نویسنده، خوشه‌بندی تقریبی، به او اجازه می‌دهد تا بخش بزرگی از رشته را نظام‌مند کند و بسیاری از روش‌های نوآورانه را در چارچوب مسائل بهینه‌سازی توسعه دهد. روش‌های بهینه‌سازی در نظر گرفته شده در زمینه تجزیه و تحلیل داده‌ها و خوشه‌بندی معنادار هستند. مطالب ارائه شده در این کتاب در پارادایم ها، خوشه بندی و بهینه سازی بسیار جالب و محرک است. از سوی دیگر، جذابیت کاربردی قابل توجهی دارد. این کتاب هم برای متخصصان و دانشجویان در زمینه های تجزیه و تحلیل داده ها و خوشه بندی و همچنین در زیست شناسی، روانشناسی، اقتصاد، تحقیقات بازاریابی، هوش مصنوعی و سایر رشته های علمی مفید خواهد بود. پانوس پاردالوس، ویرایشگر سری.

I am very happy to have this opportunity to present the work of Boris Mirkin, a distinguished Russian scholar in the areas of data analysis and decision making methodologies. The monograph is devoted entirely to clustering, a discipline dispersed through many theoretical and application areas, from mathematical statistics and combina­ torial optimization to biology, sociology and organizational structures. It compiles an immense amount of research done to date, including many original Russian de­ velopments never presented to the international community before (for instance, cluster-by-cluster versions of the K-Means method in Chapter 4 or uniform par­ titioning in Chapter 5). The author's approach, approximation clustering, allows him both to systematize a great part of the discipline and to develop many in­ novative methods in the framework of optimization problems. The optimization methods considered are proved to be meaningful in the contexts of data analysis and clustering. The material presented in this book is quite interesting and stimulating in paradigms, clustering and optimization. On the other hand, it has a substantial application appeal. The book will be useful both to specialists and students in the fields of data analysis and clustering as well as in biology, psychology, economics, marketing research, artificial intelligence, and other scientific disciplines. Panos Pardalos, Series Editor.