بخشی از متن:
چکیده:
از خوشه بندی در حوزه داده کاوی برای تحلیل، گروه بندی یا طبقه بندی داده ها درخوشه هایی که اعضای ان ها خواص کمابیش یکسانی دارند، استفاده می شود. خوشه بندی کاربردهای متعددی از تشخیص الگو، روان شناﺴﻰ، اقتصاد تا طبقه بندی ژنی، پردازش تصویر و ... دارد. دراین پروژه چند الگوریتم خوشه بندی نسبتاً ساده، کارامد و متداول که درخوشه بندی داده ها به کار می روند مورد بررسی قرارمی گیرند. فصل اول به مفاهیم و کلیات داده کاوی و خوشه بندی اختصاص دارد. در فصل دوم ابتدا مختصری در مورد خوشه بندی سلسله مراتبی و در ادامه انواع الگوریتم های خوشه بندی سلسله مراتبی تجمیعی توضیح داده شده است (با این وصف که معادلات ومبحث های ریاضی الگوریتم ها مطرح نشده و صرفاً روی خود الگوریتم ها تأکید شده). درفصل اخرهم توضیحی کوتاه درباره نرم افزار matlab داده شده و یک نمونه از الگوریتم های فصل دوم با زبان برنامه نویسی matlab شبیه سازی شده است.
فهرست مطالب:
چکیده
مقدمه
فصل اول: کلیات
1-2 داده کاوی چیست؟
1-3 فرایند داده کاوی
1-4 ویژگی های داده کاوی
1-5 مزایای داده کاوی
1-6 مراحل داده کاوی
1-7 روش های داده کاوی
1-8 الگوریتم های داده کاوی
1-9 ابزارهای داده کاوی
1-9-1 قابلیتهای ابزارهای داده کاوی هم پیوندی
1-9-2 نرم افزارهای داده کاوی
1-10 کاربردهای داده کاوی
1-11 شاخه های مرتبط با داده کاوی
فصل دوم: خوشه بندی
2-1 خوشه بندی چیست؟
2-2 تاریخچه خوشه بندی
فصل سوم: الگوریتم های خوشه بندی سلسله مراتبی- تجمیعی
3-1 خوشه بندی سلسله مراتبی
3-2 خوشه بندی سلسله مراتبی تجمیعی
3-2-1 پیوند خوشه بندی
3-2-2 االگوریتم پیوند تک
3-2-3 الگوریتم پیوند کامل
3-2-4 الگوریتم پیوند میانگین گروهی
3-2-5 الگوریتم پیوند میانگین وزن دار
3-2-6 الگوریتم پیوند مرکزی
3-2-7 الگوریتم پیوند میانی
3-2-8 روش وارد
3-3 پیشرفت اخیر در الگوریتمهای تجمیعی
3-3-1 الگوریتم BIRCH
3-3-2 الگوریتم CURE
3-3-3 الگوریتم ROCK
3-3-4 الگوریتم CHAMELEON
3-3-5 الگوریتم SLINK
3-3-6 الگوریتم های پیوند تک مبتنی بردرختان پوشای مینیمم
3-3-7 الگوریتم CLINK
3-4 روش های دیگر خوشه بندی سلسله مراتبی
فصل چهارم: شبیه سازی و اجرای یک نمونه الگوریتم کاربردی
4-1 نرم افزار MATLAB
4-2 اجرای برنامه کاربردی با Matlab
4-2-1 تحلیل برنامه CLINK
فصل پنجم: نتیجه گیری
نتیجه گیری
منابع و ماخذ