Sharif Digital Repository / Sharif University of Technology
    • [Zoom In]
    • [Zoom Out]
  • Page 
     of  0
  • [Previous Page]
  • [Next Page]
  • [Fullscreen view]
  • [Close]
 
بهبود مقیاس‌ پذیری الگوریتم خوشه‌ بندی DBSCAN با استفاده از پارتیشن‌ بندی هوشمند مبتنی بر هیستوگرام
نورالدینی، مهدی Nouradini, Mahdi

Cataloging brief

بهبود مقیاس‌ پذیری الگوریتم خوشه‌ بندی DBSCAN با استفاده از پارتیشن‌ بندی هوشمند مبتنی بر هیستوگرام
پدیدآور اصلی :   نورالدینی، مهدی Nouradini, Mahdi
ناشر :   صنعتی شریف
سال انتشار  :   1404
موضوع ها :   خوشه بندی Clustering خوشه بندی مبتنی بر چگالی با درنظرگرفتن نویز Density-based Spatial...
شماره راهنما :   ‭05-58482

Find in content

sort by

Bookmark

  • مقدمه (19)
    • بیان مسئله و طرح موضوع (19)
    • اهمیت و ضرورت پژوهش (20)
    • ادبیات موضوع (21)
    • اهداف و سوالات پژوهش (22)
      • اهداف پژوهش (22)
      • سوالات پژوهش (22)
    • روش‌شناسی پژوهش (23)
    • ساختار پایان‌نامه (23)
  • مفاهیم اولیه (25)
    • مقدمه (25)
    • خوشه‌بندی: تعاریف و اصول (26)
      • معیارهای فاصله (26)
      • معیارهای ارزیابی کیفیت خوشه‌بندی (27)
      • انواع روش‌های خوشه‌بندی (30)
      • کاربردهای خوشه‌بندی (31)
    • دسته‌بندی الگوریتم‌های خوشه‌بندی (33)
      • خوشه‌بندی تقسیمی (33)
      • خوشه‌بندی سلسله مراتبی (34)
      • خوشه‌بندی مبتنی بر چگالی (35)
      • خوشه‌بندی مبتنی بر شبکه (35)
      • خوشه‌بندی مبتنی بر مدل (36)
    • بررسی الگوریتم‌های بنیادی (37)
      • مجموعه‌داده شبیه‌سازی شده برای ارزیابی عملکرد (37)
      • *clustering به روش K-Means (38)
      • *clustering به روش *expectationmaximization (40)
      • *clustering به روش *dbscan (45)
      • *clustering به روش *optics (48)
      • *clustering به روش *hdbscan (51)
      • *clustering به روش *agglomerative (54)
      • جمع‌بندی و مقایسه نهایی الگوریتم‌ها (56)
    • هیستوگرام به عنوان ابزار تحلیل داده (59)
      • هیستوگرام به عنوان داده‌ نمادین (60)
      • مقایسه و میانگین‌گیری از هیستوگرام‌ها (60)
      • چالش‌های استفاده از هیستوگرام در *clustering (60)
    • جمع‌بندی (61)
  • کارهای پیشین (63)
    • مقدمه (63)
    • مروری بر روش‌های خوشه‌بندی برای داده‌های بزرگ (63)
      • روش‌های خوشه‌بندی مبتنی بر یک ماشین واحد (64)
      • روش‌های خوشه‌بندی مبتنی بر چندین ماشین (65)
    • بررسی رویکردهای ترکیبی و انطباقی اخیر (65)
      • الگوریتم K-DBSCAN (66)
      • الگوریتم DDBC (66)
      • الگوریتم DBSCAN Speedup (66)
    • جمع‌بندی و شناسایی شکاف پژوهشی (67)
  • روش پیشنهادی: یک الگوریتم خوشه‌بندی ترکیبی مبتنی بر هیستوگرام و *dbscan (69)
    • مقدمه (69)
    • معماری کلی الگوریتم HB-DBSCAN (70)
    • شرح دقیق مراحل الگوریتم (71)
      • گام اول: پیش‌پردازش و انتخاب ویژگی (71)
      • گام دوم: تحلیل هیستوگرام و شناسایی *cut point (72)
      • گام سوم: پارتیشن‌بندی داده‌ها و اجرای محلی *dbscan (74)
    • شبه‌کد و تحلیل پیچیدگی (75)
      • شبه‌کد الگوریتم HB-HDBSCAN (76)
      • تحلیل پیچیدگی محاسباتی (76)
    • جمع‌بندی (79)
  • آزمایش‌ها و ارزیابی نتایج (81)
    • مقدمه (81)
    • محیط پیاده‌سازی و *dataset (82)
      • مشخصات سخت‌افزاری و نرم‌افزاری (82)
      • مجموعه داده‌های مورد استفاده (82)
    • ارائه و تحلیل نتایج (83)
      • مقایسه زمان اجرا (84)
      • مقایسه کیفیت خوشه‌بندی (86)
    • جمع‌بندی (88)
  • جمع‌بندی و کارهای آینده (90)
    • جمع‌بندی و مرور کلی پژوهش (90)
    • پاسخ به سوالات پژوهش و دستاوردهای اصلی (91)
    • محدودیت‌ها و پیشنهادها برای کارهای آینده (91)
  • مروری بر سایر معیارهای فاصله (93)
    • فاصله اقلیدسی استانداردشده (93)
    • فاصله منهتن (93)
    • فاصله ماهالانوبیس (94)
    • فاصله کسینوسی (95)
    • فاصله همبستگی (95)
  • جزئیات ریاضی تحلیل داده‌های هیستوگرامی (97)
    • روابط زمانی و آماره‌های توصیفی پایه (97)
      • تعریف رسمی متغیر هیستوگرامی (97)
      • تابع توزیع تجمعی (CDF) و تابع چندک (98)
      • آماره توصیفی (99)
    • تحلیل مبتنی بر سنجه: مقایسه و میانگین‌گیری از هیستوگرام‌ها (100)
      • فاصله L2-Wasserstein (100)
      • هیستوگرام میانگین (101)
  • مراجع (103)
  • واژه نامه انگلیسی به فارسی (110)
  • واژه نامه فارسی به انگلیسی (116)
Loading...