سیویلیکا را در شبکه های اجتماعی دنبال نمایید.

خوشه بندی داده های بزرگ با استفاده ازالگوریتم های Bisecting k-means و فراابتکاری

سال انتشار: 1397
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 873

فایل این مقاله در 11 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

TECCONF04_044

تاریخ نمایه سازی: 30 شهریور 1398

چکیده مقاله خوشه بندی داده های بزرگ با استفاده ازالگوریتم های Bisecting k-means و فراابتکاری

خوشه بندی یکی از بهترین روشهایی است که برای کار با دادهها ارائه شده است قابلیت آن در ورود به فضای داده وتشخیص ساختار آنها خوشه بندی را یکی از ایده آل ترین مکانیزمها برای کار با دنیای عظیم دادهها کرده است. خوشه بندی یکی از شاخههای یادگیری بدون نظارت میباشد و فرایند خودکاری است که در طی آن نمونه ها به دسته هایی که اعضای آن مشابه یکدیگر هستند تقسیم میشوند. خوشه بندی داده ها دارای کاربردهای فراوانی در دادهکاوی، شبکه های حسگر بیسیم، تشخیص الگو، و یادگیری ماشین است خوشه بندی یک تکنیک دسته بندی بدون نظارت است که در آن مجموعه داده ها که معمولا بردارهایی در فضای چندبعدی میباشند، براساس یک معیار شباهت یا عدم شباهت، به تعداد مشخصی خوشه تقسیم میشوند. وقتیکه تعداد خوشه ها برابرKباشدوNداده m بعدی داشته باشیم، الگوریتم خوشهبندی، هر یک از این داده ها را به یکی از خوشه ها تخصیص خواهد داد، بر این اساس که داده های تخصیص داده شده به یک خوشه، نسبت به داده هایی که در خوشه های دیگر هستند، به هم شبیه تر باشند. در خوشه بندی داده هایی با حجم زیاد استفاده ازروشهای معمول برای خوشه بندی مانند K-means با معایبی از جمله وابستگی به مقادیر اولیه، همگرایی به بهینهسازی محلی و حجم بسیار بالای داده ها و در نتیجه زمانگیر بودن اجرای الگوریتم مواجه هستیم. بنابراین استفاده از روشهای ترکیبی نوین بر پایه ی روشهای Bisecting K-means و الگوریتم زنبور باعث رفع معایب روش K-means و در نتیجه افزایش سرعت اجرای الگوریتم و بهبود نتایج نهایی خواهد شد. ×

کلیدواژه های خوشه بندی داده های بزرگ با استفاده ازالگوریتم های Bisecting k-means و فراابتکاری:

نویسندگان مقاله خوشه بندی داده های بزرگ با استفاده ازالگوریتم های Bisecting k-means و فراابتکاری

سعیده خلیلی عظیمی

دانشجوی دکتری، گروه کامپیوتر، واحد اراک، دانشگاه آزاد اسلامی، اراک، ایران

نفیسه اوسطی عراقی

استادیار دانشگاه، گروه کامپیوتر، واحد اراک، دانشگاه آزاد اسلامی، اراک، ایران

حسن اصدقی تکمه داش

کارشناسی ارشد، گروه کامپیوتر، واحد میانه، دانشگاه آزاد اسلامی، میانه، ایران

مقاله فارسی "خوشه بندی داده های بزرگ با استفاده ازالگوریتم های Bisecting k-means و فراابتکاری" توسط سعیده خلیلی عظیمی، دانشجوی دکتری، گروه کامپیوتر، واحد اراک، دانشگاه آزاد اسلامی، اراک، ایران؛ نفیسه اوسطی عراقی، استادیار دانشگاه، گروه کامپیوتر، واحد اراک، دانشگاه آزاد اسلامی، اراک، ایران؛ حسن اصدقی تکمه داش، کارشناسی ارشد، گروه کامپیوتر، واحد میانه، دانشگاه آزاد اسلامی، میانه، ایران نوشته شده و در سال 1397 پس از تایید کمیته علمی چهارمین کنفرانس ملی فناوری در مهندسی برق، کامپیوتر پذیرفته شده است. کلمات کلیدی استفاده شده در این مقاله خوشه بندی، داده کاوی، Bisecting K-means، الگوریتم زنبور، سرعت اجرا، زمان اجرا. هستند. این مقاله در تاریخ 30 شهریور 1398 توسط سیویلیکا نمایه سازی و منتشر شده است و تاکنون 873 بار صفحه این مقاله مشاهده شده است. در چکیده این مقاله اشاره شده است که خوشه بندی یکی از بهترین روشهایی است که برای کار با دادهها ارائه شده است قابلیت آن در ورود به فضای داده وتشخیص ساختار آنها خوشه بندی را یکی از ایده آل ترین مکانیزمها برای کار با دنیای عظیم دادهها کرده است. خوشه بندی یکی از شاخههای یادگیری بدون نظارت میباشد و فرایند خودکاری است که در طی آن نمونه ... . این مقاله در دسته بندی موضوعی داده کاوی طبقه بندی شده است. برای دانلود فایل کامل مقاله خوشه بندی داده های بزرگ با استفاده ازالگوریتم های Bisecting k-means و فراابتکاری با 11 صفحه به فرمت PDF، میتوانید از طریق بخش "دانلود فایل کامل" اقدام نمایید.