گزارش شماره 3 - خوشه بندی آنلاین

Online Clustering

خوشه بندی آنلاین

فرمت  گزارش  : word ، PDF و پاورپوینت

تعداد صفحات گزارش : 50 صفحه

تعداد اسلایدهای پاورپوینت : 26

دانلود منابع گزارش به رایگان :

دانلود اصل مقاله – رایگان

دانلود اصل مقاله – رایگان

دانلود اصل مقاله – رایگان

قیمت : 32000 تومان

چکیده

خوشه­ بندی یکی از شاخه­ های یادگیری بدون نظارت می­باشد و فرآیند خودکاری است که در طی آن، نمونه ­ها به دسته ­هایی که اعضای آن مشابه یکدیگر می­باشند تقسیم می­شوند که به این دسته ­ها خوشه گفته می­شود. بنابراین خوشه مجموعه­ای از اشیاء می­باشد که در آن اشیاء با یکدیگر مشابه بوده و با اشیاء موجود در خوشه­ های دیگر غیر مشابه می­باشند.

در این گزارش الگوریتم خوشه­ بندی آنلاین معرفی شده است، بدین صورت که با اضافه شدن یک نمونه جدید، از نیاز به آموزش مجدد دسته­ بندی کننده در هر بار اضافه شدن نمونه جدید به سیستم، جلوگیری می­کند. نمونه ­های جدیدی که به سیستم وارد می­شوند، از مزایای ساختار آموزش دیده قبلی استفاده خواهند کرد، و اضافه شدن این نمونه ­های جدید، نیازی به محاسبات تکراری نخواهد داشت.

در بخش اول این گزارش، خوشه بندی سلسله­ مراتبی آنلاین رو بحث خواهیم کردم و در بخش دوم یک روش برای بهبود الگوریتم خوشه­ بندی واحد آنلاین ارائه خواهد شد و در بخش سوم کاربرد خوشه بندی آنلاین بازگشتی در استخراج سلسله‌مراتبی ویژگی فضایی و زمانی مطرح می­نماییم.

کلمات کلیدی

خوشه ­بندی آنلاین، خوشه ­بندی بازگشتی، تشخیص الگو،استخراج ویژگی بدون ناظر، تکنیک­های سلسله مراتبی، الگوریتم های تصادفی، خوشه­بندی واحد

ترجمه شماره 10 - یک الگوریتم بهبود یافته برای خوشه‌بندی واحد آنلاین

An Improved Algorithm for Online Unit Clustering

یک الگوریتم بهبود یافته برای خوشه‌بندی واحد آنلاین

فرمت ترجمه مقاله : word – قابل ویرایش

تعداد صفحات ترجمه مقاله : 12 صفحه

دانلود اصل مقاله – رایگان

قیمت : 15000 تومان

چکیده

ما مسئله‌ی خوشه‌بندی واحد آنلاین که اخیراً در WAOA’06 معرفی کردیم را در یک بعد بررسی می‌کنیم: با داشتن یک دنباله از n نقطه روی خط، هدف، بخش‌بندی نقاط به حداقل تعداد زیرمجموعه‌هایی است که هر یک در یک بازه‌ی واحد قرار بگیرند. ما یک الگوریتم تصادفی‌شده‌ی آنلاین ارائه می‌کنیم که به نرخ رقابتی مورد انتظار 11/6 در مقابل حریفان فراموشکار دست می‌یابد و نرخ قبلی 15/8 را بهبود می‌بخشد. این کار، به سرعت منجر به حدود بالای بهبود یافته برای مسئله در دو بعد یا بیشتر می‌شود.

ترجمه شماره 9 – استخراج سلسله‌مراتبی ویژگی فضایی و زمانی با استفاده از خوشه‌بندی آنلاین بازگشت کننده

Hierarchical spatiotemporal feature extraction using recurrent online clustering

استخراج سلسله‌مراتبی ویژگی فضایی و زمانی با استفاده از خوشه‌بندی آنلاین بازگشت کننده

فرمت ترجمه مقاله : word – قابل ویرایش

تعداد صفحات ترجمه مقاله : 22 صفحه

دانلود اصل مقاله – رایگان

قیمت : 25000 تومان

مقدمه

یادگیری عمیق ماشین، یک چارچوب جامع برای استخراج ویژگی‌های معنادار از مشاهدات پیچیده به شیوه‌ای بدون نظارت فراهم می‌آورد. اکثریت معماری‌های عمیق یادگیری توصیف شده در ادبیات، اصولاً روی استخراج ویژگی‌های فضایی تمرکز دارند. با این حال، در دنیای واقعی، دریافت وابستگی‌های زمانی در مشاهدات برای ارجاع دقیق، حیاتی است. این مقاله، یک بهبود برای DeSTIN معرفی می‌کند که یک معماری عمیق یادگیری ترکیبی است که هر لایه‌ی آن شامل چندین نمونه از یک گره‌ی عادی است که برای نمایش الگوهای فضایی و زمانی در داده‌ها بر اساس یک الگوریتم خوشه‌بندی بازگشت کننده‌ی جدید یاد می‌گیرد. بر خلاف معماری‌های عمیق اصلی مثل شبکه‌هایی با اعتقاد قوی که آموزش لایه به لایه فرض می‌شود، هر گره در معماری پیشنهادی به طور مستقل و به موازات آموزش می‌بینند. به علاوه، جریان اطلاعات بالا به پایین و پایین به بالا، به ساده‌سازی شکل‌گیری ویژگی‌های غنی کمک می‌کند. یک تنظیم نیمه نظارت با دستیابی به نتایج جدید روی بنچ مارک طبقه‌بندی MNIST نشان داده می‌شود. یک پیاده‌سازی GPU بعداً با تأکید بر ویژگی‌های مقیاس‌پذیری چارچوب پیشنهادی بحث می‌شود.