فایل ورد کامل تحقیق الگوریتم‌های خوشه‌بندی و خوشه بندی ترکیبی ۱۰۳ صفحه در word

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

 فایل ورد کامل تحقیق الگوریتم‌های خوشه‌بندی و خوشه بندی ترکیبی ۱۰۳ صفحه در word دارای ۱۰۳ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

لطفا نگران مطالب داخل فایل نباشید، مطالب داخل صفحات بسیار عالی و قابل درک برای شما می باشد، ما عالی بودن این فایل رو تضمین می کنیم.

فایل ورد فایل ورد کامل تحقیق الگوریتم‌های خوشه‌بندی و خوشه بندی ترکیبی ۱۰۳ صفحه در word  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی فایل ورد کامل تحقیق الگوریتم‌های خوشه‌بندی و خوشه بندی ترکیبی ۱۰۳ صفحه در word،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن فایل ورد کامل تحقیق الگوریتم‌های خوشه‌بندی و خوشه بندی ترکیبی ۱۰۳ صفحه در word :

بخشی از فهرست مطالب فایل ورد کامل تحقیق الگوریتم‌های خوشه‌بندی و خوشه بندی ترکیبی ۱۰۳ صفحه در word

۲-۱ مقدمه    
۲-۲ خوشه‌بندی    
۲-۲-۱ الگوریتمهای خوشه بندی پایه    
۲-۲-۱-۱ الگوریتم‌های سلسله مراتبی    
۲-۲-۱-۱-۱ تعاریف و نماد‌ها    
۲-۲-۱-۱-۲ الگوریتم پیوندی منفرد    
۲-۲-۱-۱-۳ الگوریتم پیوندی کامل    
۲-۲-۱-۱-۴ الگوریتم پیوندی میانگین    
۲-۲-۱-۱-۵ الگوریتم پیوندی بخشی    
۲-۲-۱-۲ الگوریتم‌های افرازبندی    
۲-۲-۱-۲-۱ الگوریتم K-means    
۲-۲-۱-۲-۲ الگوریتم FCM    
۲-۲-۱-۲-۳ الگوریتم طیفی    
۲-۲-۱-۲-۳-۱ الگوریتم برش نرمال    
۲-۲-۱-۲-۳-۲  الگوریتم NJW    
۲-۲-۱-۲-۴ الگوریتم خوشه‌بندی کاهشی    
۲-۲-۱-۲-۵ الگوریتم خوشه‌بندی Median K-Flat    
۲-۲-۱-۲-۶ الگوریتم خوشه‌بندی مخلوط گوسی    
۲-۲-۲ معیارهای ارزیابی    
۲-۲-۲-۱ معیار SSE    
۲-۲-۲-۲ معیار اطلاعات متقابل نرمال شده    
۲-۲-۲-۳ معیار APMM    
۲-۳. خوشه‌بندی ترکیبی    
۲-۳-۱ ایجاد تنوع در خوشه‌بندی ترکیبی    
۲-۳-۱-۱ استفاده از الگوریتم‌های مختلف خوشه‌بندی ترکیبی    
۲-۳-۱-۲ تغییر پارامترهای اولیه خوشه‌بندی ترکیبی    
۲-۳-۱-۳ انتخاب یا تولید ویژگی‌های جدید    
۲-۳-۱-۴ انتخاب زیرمجموعه‌ای از مجموعه داده اصلی    
۲-۳-۲ ترکیب نتایج با تابع توافقی    
۲-۳-۲-۱ روش مبتنی بر مدل مخلوط    
۲-۳-۲-۲ روش مبتنی بر ابر گراف    
۲-۳-۲-۲-۱ روش CSPA    
۲-۳-۲-۲-۲ روش HGPA    
۲-۳-۲-۲-۳ روش MCLA    
۲-۳-۲-۳ روش‌های مبتنی بر ماتریس همبستگی    
۲-۳-۲-۳-۱ الگوریتم‌های سلسله مراتبی تراکمی    
۲-۳-۲-۳-۲ الگوریتم افرازبندی گراف با تکرار    
۲-۳-۳ الگوریتم‌های خوشه‌بندی ترکیبی کامل    
۲-۴ خوشه‌بندی ترکیبی مبتنی بر انتخاب    
۲-۴-۱ خوشه‌بندی ترکیبی مبتنی بر انتخاب فرن و لین    
۲-۴-۱-۱ تعریف معیار کیفیت در روش فرن و لین    
۲-۴-۱-۲ تعریف معیار پراکندگی در روش فرن و لین    
۲-۴-۱-۳ راهکار انتخاب خوشه‌ برای تشکیل نتیجه نهایی در روش فرن و لین    
۲-۴-۲ الگوریتم هوشمند طبقه‌بندی مجموعه داده‌ها    
۲-۴-۳ خوشه‌بندی ترکیبی طیفی مبتنی بر انتخاب بر اساس شباهت    
۲-۴-۳-۱ معیار ارزیابی  در روش پیشنهادی ژیا    
۲-۴-۳-۲ انتخاب خوشه‌بندی بر اساس قانون نزدیک‌ترین همسایه در روش ژیا    
۲-۴-۴ خوشه‌بندی ترکیبی انتخابی لی‌مین    
۲-۴-۴-۱ انتخاب افراز مرجع در روش لی‌مین    
۲-۴-۴-۲ راهکار انتخاب خوشه در روش‌ لی‌مین    
۲-۴-۴-۳ چهارچوب الگوریتم خوشه‌بندی انتخابی لی‌مین    
۲-۴-۵ خوشه‌بندی بر اساس معیار MAX با استفاده از مجموعه‌ای از خوشه‌های یک افراز    
۲-۴-۵-۱ راهکار ارزیابی خوشه ی MAX    
۲-۴-۵-۲ روش انباشت مدارک توسعه یافته    
۲-۴-۶ خوشه‌بندی بر اساس معیار APMM با استفاده از مجموعه‌ای از خوشه‌های یک افراز    
۲-۵ روش بهترین افراز توافقی اعتبارسنجی شده    
۲-۶ استفاده از نظریه خرد جمعی در علوم رایانه    
۲-۷ نظریه خرد جمعی    
۲-۷-۱ شرایط جامعه خردمند    
۲-۷-۱-۱ تعریف معیار پراکندگی    
۲-۷-۱-۲ تعریف معیار استقلال    
۲-۷-۱-۳ تعریف معیار عدم تمرکز    
۲-۷-۱-۴ روش ترکیب مناسب    
۲-۷-۲ اهمیت و رابطه استقلال و پراکندگی در خرد جمعی    
۲-۷-۳ استثناءها در خرد جمعی    
منابع و مآخذ    

بخشی از منابع و مراجع فایل ورد کامل تحقیق الگوریتم‌های خوشه‌بندی و خوشه بندی ترکیبی ۱۰۳ صفحه در word

 [۱] Ward P. J., “Some Developments on the Affected-Pedigree-Member Method of Linkage Analysis”, American journal of human genetics, Vol. 52, pp. 1200-1215,

[۲] Xiang, T. and Gong S., “Spectral clustering with eigenvector selection”, Pattern Recognition, vol. 41(3), pp.1012-1029,

[۳] Pothen A., “Graph Partitioning Algorithms with Applications to Scientific Computing”, Parallel Numerical Algorithms, ICASE/LaRC Interdisciplinary Series in Science and Engineering, Vol. 4, pp. 323-368,

[۴] Fred A. L. N. and Jain A. K., “Learning Pairwise Similarity for Data Clustering”, Proceedings of the 18th International Conference on Pattern Recognition (ICPR’06) pp. 7695-2521,

[۵] Fred A. L. N. and Lourenco A., “Cluster Ensemble Methods: from Single Clusterings to Combined Solutions”, Studies in Computational Intelligence (SCI), vol. 126, pp. 3–۳۰, ۲۰۰۸

[۶] Driessche R.V. and D. Roose, “An improved spectral bisection algorithm and its application to dynamic load balancing, parallel Computing, vol. 21,

[۷] Zadeh L. A., “Fuzzy sets”, Information and Control, vol. 8(3): 338–۳۵۳ Doi: 10.1016/S0019-9958(65)90241-X. ISSN 0019-9958,

[۸] Fern X. Z. and Brodley C. E., “Random projection for high dimensional data clustering: A cluster ensemble approach”, In Proceedings of the Twentieth International Conference on Machine Learning, pp. 186–۱۹۳, ۲۰۰۳

[۹] Fern X. and Lin W., “Cluster Ensemble Selection”, SIAM International Conference on Data Mining (SDM08),

[۱۰] Goldberg D. E., “Genetic Algorithms in Search”, Optimization and Machine Learning, Addison-Wesley, New York,

[۱۱] Ayad H.G. and Kamel M.S., “Cumulative Voting Consensus Method for Partitions with a Variable Number of Clusters”, IEEE Trans. On Pattern Analysis and Machine Intelligence, VOL. 30, NO. 1, 160-173,

[۱۲] Azimi J., Maani J. and Mozayyeni N., “Improved Clustering Ensembles”, 11th International CSI Computer Conference (CSICC06), Tehran, Iran, pp. 24-26, January

[۱۳] Azimi J., Mohammadi M., Analoui M., “Clustering Ensembles Using Genetic Algorithm”, in IEEE CAMPS,

[۱۴] Alpert C. J. and Kahng A. B., “Recent directions in net list partitioning: A survey”, Integration: The VLSI Journal, vol. 19, pp. 1-18,

۲-۱ مقدمه

در این نوشتار، کارهای انجام‌شده در خوشه‌بندی و خوشه‌بندی ترکیبی را مورد مطالعه قرار می‌دهیم. ابتدا چند الگوریتم‌ پایه خوشه‌بندی معروف را معرفی خواهیم کرد. سپس چند روش کاربردی جهت ارزیابی خوشه، خوشه‌بندی و افرازبندی را مورد مطالعه قرار می‌دهیم. در ادامه به بررسی ادبیات خوشه‌بندی ترکیبی خواهیم پرداخت و روش‌های ترکیب متداول را بررسی خواهیم کرد. از روش‌های خوشه‌بندی ترکیبی، روش ترکیب کامل و چند روش معروف مبتنی بر انتخاب را به صورت مفصل شرح خواهیم داد

۲-۲ خوشه‌بندی

به عنوان یکی از شاخه‌های وسیع و پرکاربرد هوش مصنوعی[۱]، یادگیری ماشین[۲] به تنظیم و اکتشاف شیوه‌ها و الگوریتم‌هایی می‌پردازد که بر اساس آن‌ها رایانه‌ها و سامانه‌های اطلاعاتی توانایی تعلم و یادگیری پیدا می‌کنند. طیف پژوهش‌هایی که در مورد یادگیری ماشینی صورت می‌گیرد گسترده ‌است. در سوی نظر‌ی آن پژوهش‌گران بر آن‌اند که روش‌های یادگیری تازه‌ای به وجود بیاورند و امکان‌پذیری و کیفیت یادگیری را برای روش‌هایشان مطالعه کنند و در سوی دیگر عده‌ای از پژوهش‌گران سعی می‌کنند روش‌های یادگیری ماشینی را بر مسائل تازه‌ای اعمال کنند. البته این طیف گسسته نیست و پژوهش‌های انجام‌شده دارای مؤلفه‌هایی از هر دو رو‌یکرد هستند. امروزه، داده‌کاوی[۳] به عنوان یک ابزار قوی برای تولید اطلاعات و دانش از داده‌های خام، در یادگیری ماشین شناخته‌شده و همچنان با سرعت در حال رشد و تکامل است. به طور کلی می‌توان تکنیک‌های داده‌کاوی را به دو دسته بانظارت[۴] و بدون نظارت[۵] تقسیم کرد [۲۹, ۴۶]

در روش بانظارت ما ورودی (داده یادگیری[۶]) و خروجی (کلاس[۷] داده) یک مجموعه داده را به الگوریتم هوشمند می‌دهیم تا آن الگوی[۸] بین ورودی و خروجی را تشخیص دهد در این روش خروجی کار ما مدلی[۹] است که می‌تواند برای ورودی‌های جدید خروجی درست را پیش‌بینی[۱۰] کند. روش‌های طبقه‌بندی[۱۱] و قوانین انجمنی[۱۲] از این جمله تکنیک‌ها می‌باشد. روش‌های با نظارت کاربرد فراوانی دارند اما مشکل عمده این روش‌ها این است که همواره باید داده‌ای برای یادگیری وجود داشته باشد که در آن به ازای ورودی مشخص خروجی درست آن مشخص شده باشد. حال آنکه اگر در زمینه‌ای خاص داده‌ای با این فرمت وجود نداشته باشد این روش‌ها قادر به حل این‌گونه مسائل نخواهند بود [۲۹, ۶۸]. در روش بدون نظارت برخلاف یادگیری بانظارت هدف ارتباط ورودی و خروجی نیست، بلکه تنها دسته‌بندی ورودی‌ها است. این نوع یادگیری بسیار مهم است چون  خیلی از مسائل (همانند دنیای ربات‌ها) پر از ورودی‌هایی است که هیچ برچسبی[۱۳] (کلاس) به آن‌ها اختصاص داده نشده است اما به وضوح جزئی از یک دسته هستند [۴۶, ۶۸]. خوشه‌بندی[۱۴] شاخص‌ترین روش در داده‌کاوی جهت حل مسائل به صورت بدون ناظر است. ایده اصلی خوشه‌بندی  اطلاعات، جدا کردن نمونه‌ها از یکدیگر و قرار دادن آن‌ها در گروه‌های شبیه به هم می‌باشد. به این معنی که نمونه‌های شبیه به هم باید در یک گروه قرار بگیرند و با نمونه‌های گروه‌های دیگر حداکثر متفاوت را دارا باشند [۲۰, ۲۶]. دلایل اصلی برای اهمیت خوشه‌بندی عبارت‌اند از

اول، جمع‌آوری و برچسب‌گذاری یک مجموعه بزرگ از الگوهای نمونه می‌تواند بسیار پرکاربرد و باارزش باشد

دوم، می‌توانیم از روش‌های خوشه‌بندی برای پیدا کردن و استخراج ویژگی‌ها[۱۵] و الگوهای جدید استفاده کنیم. این کار می‌تواند کمک به سزایی در کشف دانش ضمنی[۱۶] داده‌ها انجام دهد

سوم، با خوشه‌بندی می‌توانیم یک دید و بینشی از طبیعت و ساختار داده به دست آوریم که این می‌تواند برای ما باارزش باشد

چهارم، خوشه‌بندی می‌تواند منجر به کشف زیر رده‌های[۱۷] مجزا یا شباهت‌های بین الگوها ممکن شود که به طور چشمگیری در روش طراحی طبقه‌بندی قابل استفاده باشد

[۱] Artificial Intelligent (AI)

[۲] Machine Learning

[۳] Data Mining

[۴] Supervised

[۵] Unsupervised

[۶] Train Set

[۷] Class

[۸] Pattern

[۹] Learning Model

[۱۰] Predictive

[۱۱] Classification

[۱۲] Association rule mining

[۱۳] Label

[۱۴] Clustering

[۱۵] Features

[۱۶] Tacit knowledge

[۱۷] Sub-Class