Partitional Clustering Algorithms

دسته بندی: سایبرنتیک: هوش مصنوعی
ویرایش:  
نویسندگان: Celebi M. Embre (Ed.)  
سری:  
 
ناشر:  
سال نشر:  
تعداد صفحات: 420 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 8 مگابایت 

قیمت کتاب (تومان) : 30,000

Springer, 2015. — 420 p. — ISBN-10: 3319092588, ISBN-13: 978-3-319-09258-4.
На англ. языке. خوشه‌بندی، طبقه‌بندی بدون نظارت الگوها به گروه‌ها، یکی از مهم‌ترین وظایف در تحلیل داده‌های اکتشافی است. اهداف اولیه خوشه بندی شامل دستیابی به بینش، طبقه بندی و فشرده سازی داده ها است. خوشه‌بندی تاریخچه طولانی و غنی دارد که رشته‌های مختلف علمی از جمله انسان‌شناسی، زیست‌شناسی، پزشکی، روان‌شناسی، آمار، ریاضیات، مهندسی و علوم کامپیوتر را در بر می‌گیرد. در نتیجه، الگوریتم های خوشه بندی متعددی از اوایل دهه 1950 ارائه شده است. در میان این الگوریتم‌ها، الگوریتم‌های پارتیشن (غیر سلسله مراتبی) کاربردهای زیادی به‌ویژه در مهندسی و علوم کامپیوتر پیدا کرده‌اند. این کتاب بر روی الگوریتم‌های خوشه‌بندی پارتیشن تمرکز دارد که عبارتند از معمولاً در مهندسی و برنامه های علمی کامپیوتر استفاده می شود.هدف این جلد، خلاصه کردن آخرین هنر در خوشه بندی پارتیشن است. این کتاب پوششی از خوشه‌بندی اجماع، خوشه‌بندی محدود، خوشه‌بندی در مقیاس بزرگ و/یا با ابعاد بالا، اعتبار خوشه‌ای، تجسم خوشه‌ای و کاربردهای خوشه‌بندی را ارائه می‌کند. این کتاب شامل موضوعاتی مانند خوشه‌بندی مبتنی بر مرکز، خوشه‌بندی یادگیری رقابتی و خوشه‌بندی مبتنی بر تراکم است. هر فصل توسط یک متخصص برجسته در این زمینه ارائه می‌شود. خوشه‌بندی را بررسی می‌کند، همانطور که برای مجموعه داده‌های بزرگ و/یا با ابعاد بالا که معمولاً در برنامه‌های کاربردی دنیای واقعی با آنها مواجه می‌شوند، اعمال می‌شود. .
درباره الگوریتم‌هایی که به‌طور خاص برای خوشه‌بندی پارتیشن طراحی شده‌اند بحث می‌کند.
رویکردهای مبتنی بر مرکز، یادگیری رقابتی، مبتنی بر چگالی، فازی، مبتنی بر نمودار، مبتنی بر شبکه، فراابتکاری، و مبتنی بر مدل را پوشش می‌دهد.

Springer, 2015. — 420 p. — ISBN-10: 3319092588, ISBN-13: 978-3-319-09258-4.
На англ. языке. Clustering, the unsupervised classification of patterns into groups, is one of the most important tasks in exploratory data analysis. Primary goals of clustering include gaining insight into, classifying, and compressing data. Clustering has a long and rich history that spans a variety of scientific disciplines including anthropology, biology, medicine, psychology, statistics, mathematics, engineering, and computer science. As a result, numerous clustering algorithms have been proposed since the early 1950s. Among these algorithms, partitional (nonhierarchical) ones have found many applications, especially in engineering and computer science. This book focuses on partitional clustering algorithms, which are commonly used in engineering and computer scientific applications. The goal of this volume is to summarize the state-of-the-art in partitional clustering. This book provides coverage of consensus clustering, constrained clustering, large scale and/or high dimensional clustering, cluster validity, cluster visualization, and applications of clustering. The book includes such topics as center-based clustering, competitive learning clustering and density-based clustering. Each chapter is contributed by a leading expert in the field. Examines clustering as it applies to large and/or high-dimensional data sets commonly encountered in real-world applications.
Discusses algorithms specifically designed for partitional clustering.
Covers center-based, competitive learning, density-based, fuzzy, graph-based, grid-based, metaheuristic, and model-based approaches.