مروری بر انواع روش های خوشه بندی در یادگیری ماشین

چکیده مقاله

در این مقاله، روش های مختلف خوشه بندی در یادگیری ماشین بررسی و تحلیل می شوند این روش ها که بخش اساسی یادگیری بدون نظارت را تشکیل می دهند، ابزارهای قدرتمندی برای دسته بندی داده ها بر اساس شباهت ها و تفاوت ها فراهم می کنند خوشه بندی شامل طیف وسیعی از الگوریتم ها نظیر پارتیشن بندی، سلسله مراتبی، چگالی و مدل محور است که هرکدام ویژگی ها و کاربردهای خاص خود را دارند در این مقاله، الگوریتم های مختلف خوشه بندی با تحلیل مزایا، معایب و کاربردهای آن ها مورد بررسی قرار می گیرد همچنین، چالش های عمده و روش های بهبود کارایی این الگوریتم ها در پردازش داده های بزرگ و پیچیده نیز مورد توجه قرار گرفته است هدف این مطالعه ارائه درک جامع از پیشرفت ها و روندهای پژوهشی آینده در این حوزه است

کلیدواژه‌ها

نویسندگان

مرجان محمودی

۱ دانشکده مهندسی کامپیوتر، واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ایران

مهران محمدی قلعه سفیدی

۲ دانشکده مهندسی کامپیوتر، واحد اصفهان، دانشگاه ملی مهارت مهاجر، اصفهان، ایران

محمودی، مرجان و محمدی قلعه سفیدی، مهران،1403،مروری بر انواع روش های خوشه بندی در یادگیری ماشین،بیست و چهارمین کنفرانس ملی مهندسی برق، کامپیوتر و مکانیک،شیروان

ارائه‌شده در

مجموعه مقالات بیست و پنجمین کنفرانس ملی مهندسی برق ،کامپیوتر و مکانیک21 اسفند 1403 · شیروان