دانلود کتاب Metaheuristic Clustering (به فارسی: خوشه بندی فراابتکاری) نوشته شده توسط «Swagatam Das – Ajith Abraham – Amit Konar (auth.)»
اطلاعات کتاب خوشه بندی فراابتکاری
موضوع اصلی: سایبرنتیک: هوش مصنوعی
نوع: کتاب الکترونیکی
ناشر: Springer-Verlag Berlin Heidelberg
نویسنده: Swagatam Das – Ajith Abraham – Amit Konar (auth.)
زبان: English
فرمت کتاب: pdf (قابل تبدیل به سایر فرمت ها)
سال انتشار: 2009
تعداد صفحه: 252
حجم کتاب: 5 مگابایت
کد کتاب: 9783540921721 , 3540921729
نوبت چاپ: 1
توضیحات کتاب خوشه بندی فراابتکاری
تحلیل خوشه ای به معنای سازماندهی مجموعه ای بدون برچسب از اشیا یا الگوها در گروه های جداگانه بر اساس شباهت آنهاست. وظیفه خوشه‌بندی رایانه‌ای داده‌ها از حوزه‌های مختلف دانش مانند نظریه گراف، تحلیل چند متغیره، شبکه‌های عصبی، نظریه مجموعه‌های فازی و غیره انجام شده است. خوشه‌بندی اغلب به‌عنوان یک روش یادگیری بدون نظارت توصیف می‌شود، اما بیشتر الگوریتم‌های سنتی برای هدایت فرآیند پارتیشن‌بندی نیاز به مشخصات قبلی از تعداد خوشه‌ها در داده‌ها دارند، بنابراین آن را کاملاً بدون نظارت نمی‌سازند. ابزارهای مدرن داده کاوی که روندها و رفتارهای آینده را پیش‌بینی می‌کنند تا به کسب‌وکارها اجازه دهند تصمیم‌های پیشگیرانه و مبتنی بر دانش اتخاذ کنند، نیاز به خوشه‌بندی سریع و کاملا خودکار مجموعه‌های داده بسیار بزرگ با حداقل یا بدون دخالت کاربر دارند.
در این جلد، ما خوشه‌بندی را به‌عنوان یک مسئله بهینه‌سازی فرمول‌بندی می‌کنیم، جایی که بهترین پارتیشن‌بندی یک مجموعه داده معین با کمینه‌سازی/بیشینه کردن یک (خوشه‌بندی تک هدفه) یا چند تابع هدف (خوشه‌بندی چند هدفه) به دست می‌آید. . با استفاده از چندین برنامه کاربردی دنیای واقعی، ما عملکرد چندین فراابتکاری، به ویژه الگوریتم تکامل تفاضلی را هنگامی که برای مسائل خوشه‌بندی تک و چند هدفه اعمال می‌شود، نشان می‌دهیم، جایی که تعداد خوشه‌ها از قبل مشخص نیست و باید در مرحله اجرا تعیین شوند. این جلد شامل 7 فصل شامل یک فصل مقدماتی است که تعاریف اساسی را ارائه می دهد و فصل آخر برخی از چالش های مهم تحقیقاتی را ارائه می دهد. معادن پوشش جامع این کتاب را ارزشمند خواهد یافت.
Cluster analysis means the organization of an unlabeled collection of objects or patterns into separate groups based on their similarity. The task of computerized data clustering has been approached from diverse domains of knowledge like graph theory, multivariate analysis, neural networks, fuzzy set theory, and so on. Clustering is often described as an unsupervised learning method but most of the traditional algorithms require a prior specification of the number of clusters in the data for guiding the partitioning process, thus making it not completely unsupervised. Modern data mining tools that predict future trends and behaviors for allowing businesses to make proactive and knowledge-driven decisions, demand fast and fully automatic clustering of very large datasets with minimal or no user intervention.
In this Volume, we formulate clustering as an optimization problem, where the best partitioning of a given dataset is achieved by minimizing/maximizing one (single-objective clustering) or more (multi-objective clustering) objective functions. Using several real world applications, we illustrate the performance of several metaheuristics, particularly the Differential Evolution algorithm when applied to both single and multi-objective clustering problems, where the number of clusters is not known beforehand and must be determined on the run. This volume comprises of 7 chapters including an introductory chapter giving the fundamental definitions and the last Chapter provides some important research challenges.
Academics, scientists as well as engineers engaged in research, development and application of optimization techniques and data mining will find the comprehensive coverage of this book invaluable.
دانلود کتاب «خوشه بندی فراابتکاری»
