مروری تحلیلی بر روش های خوشه بندی مبتنی بر یادگیری عمیق

داده کاوی فرایندی است که به منظور استخراج اطلاعات مفید از داده ها برای شناسایی الگوها و روابط بین آنها به کار می رود. ازآنجاکهامروزه سرعت حجم داده های تولید شده بسیار بالا است روش های سنتی نمی توانند ارزیابی درستی را داشته باشد و هنگام کار باداده های بزرگ دچار مشکل می شوند. یکی از روش های متداول در داده کاوی، خوشه بندی است که داده ها را بر اساس ویژگی ها وخصوصیاتی که مشابه هم هستند و رفتار مشابهی که از خودشان نشان می دهند در یکپوشه یا دسته مشابه قرار می دهد . این کارامکان شناسایی و درک الگوها و روابط بین داده ها را می دهد . اما روش های خوشه بندی سنتی نمی توانند بر روی داده های با ابعاد بالانتایج خوبی را تولید کنند . به همین دلیل، روش های خوشه بندی عمیق به وجود آمده اند که با استفاده از شبکه های عصبی عمیق والگوریتم های پیشرفته تر، ارتباطات پیچیده بین داده ها را بررسی و تجزیه وتحلیل می کنند. این تکنیک ها، با بهره گیری از پیشرفت هایاخیر در یادگیری بازنمایی و یادگیری عمیق، توانایی خوشه بندی داده های بزرگ را بهبود بخشیده اند . در این مقاله مروری تحلیلی برروش های خوشه بندی عمیق ارائه شده است.

کلیدواژه ها:

داده های بزرگ ، خوشه بندی ، یادگیری عمیق ، یادگیری بازنمایی