خانه / فنی و مهندسی / آموزش خوشه بندی با استفاده از الگوریتم های تکاملی و فراابتکاری

آموزش خوشه بندی با استفاده از الگوریتم های تکاملی و فراابتکاری

دانلود فایل آموزش خوشه بندی با استفاده از الگوریتم های تکاملی و فراابتکاری

آموزش خوشه بندی با استفاده از الگوریتم های تکاملی و فراابتکاری

آموزش خوشه بندی با استفاده از الگوریتم های تکاملی و فراابتکاری

عنوان فایل : آموزش خوشه بندی با استفاده از الگوریتم های تکاملی و فراابتکاری

دسته بندی : فنی و مهندسی

خوشه بندی,الگوریتم تکاملی,فرا ابتکاری

 

عنوان:آموزش خوشه بندی با استفاده از الگوریتم های تکاملی و فراابتکاری

آموزش ویدئویی مورد تایید فرادرس 
 فایل برنامه ها و پروژه های اجرا شده در حین آموزش 
 فایل PDF یادداشت های مدرس در حین آموزش 

توضیحات

خوشه بندی (Clustering) یکی از چند قالب مهم مسائلی است که در کاربردهای مختلف یادگیری ماشین (Machine Learning) و داده کاوی (Data Mining) مطرح می شود. خوشه بندی، که با نام آنالیز و تحلیل خوشه (Cluster Analysis) نیز در حوزه آمار شناخته می شود، یکی از انواع مسائل یادگیری غیر نظارت شده است، که الگوریتم فراوانی نیز، برای حل این مساله ارائه شده اند. تعدادی از این الگوریتم ها، در آموزش های دیگر منتشر شده در فرادرس، مورد بحث و بررسی واقع شده اند.

یکی از انواع پیچیده مسائل خوشه بندی، زمانی طرح می شود که تعداد خوشه ها نیز نامعلوم باشد و الگوریتم آن موظف به پیدا کردن تعداد خوشه ها باشد. این مساله، اصطلاحا با نام خوشه بندی خودکار یا Automatic Clustering شناخته می شود؛ آن چنان که خود مساله را، معمولا با نام Automatic Classification نیز می شناسیم.

حل مساله در حالت کلی و مساله خوشه بندی خودکار به صورت خاص، بعضا می تواند خارج از توان الگوریتم های رایج خوشه بندی باشد. یکی از راه حل هایی که برای این موضوع در نظر گرفته شده است، تبدیل مساله خوشه بندی به یک مساله بهینه سازی و حل آن با استفاده از الگوریتم های بهینه سازی هوشمند و تکاملی است. موضوع بحث ما در این مجموعه آموزش نیز، دقیقا همین مبحث است.

در فیلم آموزشی خوشه بندی با استفاده از الگوریتم های تکاملی و فراابتکاری، ابتدا مساله خوشه بندی به صورت عادی و سپس مساله خوشه بندی خودکار، به صورت مسائل بهینه سازی بیان شده اند و توسط چندین الگوریتم تکاملی و فراابتکاری، به صورت گام به گام و در محیط نرم افزار متلب، حل و بررسی شده اند. برای تبدیل مساله خوشه بندی به مساله بهینه سازی، ما نیازمند شاخص هایی هستیم که به این منظور، در این مجموعه آموزشی، از چندین شاخص معروف در حوزه داده کاوی تکاملی، استفاده شده است.

 

فهرست شاخص های مورد استفاده و استناد در این آموزش، در ادامه آمده است:

الف) شاخص مجموع فاصله از مرکز کلاستر یا Within Cluster Distance (به اختصار WCD) – این شاخص در واقع در تعریف کلی مساله k-Means و بیان معیار بهینگی آن، مورد استفاده واقع شده است.

ب) شاخص DB (یا اندیس Davies and Bouldin) – در سال ۱۹۷۹ معرفی شده است و برای ارزیابی اعتبار خوشه بندی خودکار مورد استفاده قرار می گیرد.

پ) شاخص CS (یا اندیس Chou, Su and Lai) – در سال ۲۰۰۴ معرفی شده است و برای ارزیابی اعتبار خوشه بندی خودکار مورد استفاده قرار می گیرد.

 

در این مجموعه آموزشی، از پنج الگوریتم بهینه سازی هوشمند برای حل مساله خوشه بندی و خوشه بندی خودکار استفاده شده است، که فهرست آن ها در ادامه آمده اند:

۱- الگوریتم ژنتیک یا Genetic Algorithm (به اختصار GA)

۲- بهینه سازی ازدحام ذرات یا Particle Swarm Optimization (به اختصار PSO)

۳- تکامل تفاضلی یا Differential Evolution (به اختصار DE)

۴- کلونی زنبورهای مصنوعی یا Artificial Bee Colony (به اختصار ABC)

۵- جستجوی هارمونی یا Harmony Search (به اختصار HS)

مدرس این مجموعه آموزش، دکتر سید مصطفی کلامی هریس (دکترای مهندسی کنترل از دانشگاه صنعتی خواجه نصیرالدین طوسی) است. در این مجموعه آموزشی نیز، مانند سایر آموزش های فرادرس، ابتدا مبانی تئوری موضوع درس، مورد بحث و بررسی واقع می شوند و سپس پیاده سازی عملی الگوریتم ها و روش های مطرح شده، به صورت گام به گام انجام می شود.

 

فهرست سرفصل ها و رئوس مطالب مطرح شده در خوشه بندی ، در ادامه آمده است:

درس یکم: حل مساله خوشه بندی کلاسیک با استفاده از الگوریتم های تکاملی و فرا ابتکاری

  • – مروری بر مفاهیم پایه مساله خوشه بندی
  • – بررسی معیارها و اهداف خوشه بندی
  • – معیار پیوستگی یا فشردگی (Cohesion)
  • – معیار تفکیک (Separation)
  • – بیان مساله k-Means و معیار بهینگی مورد استفاده در تعریف آن
  • – آشنایی با الگوریتم لوید یا k-Means و نحوه کارکرد آن برای حل مساله k-Means
  • – تبدیل مساله k-Means به مساله بهینه سازی با استفاده از شاخص WCD
  • – پیاده سازی یک دیتاست فرضی برای بررسی نتایج خوشه بندی
  • – پیاده سازی تابع هدف مربوط به مساله k-Means برای حل مساله خوشه بندی
  • – آشنایی با تابع Pdist2 برای محاسبه فاصله نقاط دو مجموعه
  • – اتصال تابع هدف مربوط به خوشه بندی به الگوریتم های بهینه سازی
  • – حل مساله  k-Means با استفاده از الگوریتم ژنتیک
  • – حل مساله  k-Means با استفاده از الگوریتم PSO
  • – حل مساله  k-Means با استفاده از تکامل تفاضلی
  • – حل مساله  k-Means با استفاده از الگوریتم کلونی زنبور مصنوعی
  • – حل مساله  k-Means با استفاده از جستجوی هارمونی
  • – ترسیم نتایج خوشه بندی به صورت آنلاین و همزمان با اجرای برنامه
  • – بررسی نتایج به دست آمده از خوشه بندی k-Means با استفاده از الگوریتم های تکاملی

درس دوم: حل مساله خوشه بندی خودکار با استفاده از الگوریتم های تکاملی و فرا ابتکاری

  • – بیان مساله خوشه بندی خودکار یا Automatic Clustering
  • – نحوه کدینگ پاسخ و ساختار کروموزوم در الگوریتم های بهینه سازی برای توصیف راه حل مساله خوشه بندی خودکار
  • – بررسی و آشنایی با معیارهای ارزیابی کیفیت خوشه بندی
  • – تشریح مبانی تئوری معیار یا اندیس کیفیت خوشه بندی DB
  • – تشریح مبانی تئوری معیار یا اندیس کیفیت خوشه بندی CS
  • – پیاده سازی تابع هدف مربوط به معیارهای کیفیت مورد بحث
  • – اتصال تابع هدف پیاده سازی شده به پنج الگوریتم بهینه سازی مورد بحث در درس قبلی
  • – اجرای برنامه ها و بررسی نتایج به دست آمده


 

کد فایل : 2078998

خوشه بندی,الگوریتم تکاملی,فرا ابتکاری

جهت دانلود آموزش خوشه بندی با استفاده از الگوریتم های تکاملی و فراابتکاری کلیک کنید

آموزش خوشه بندی با استفاده از الگوریتم های تکاملی و فراابتکاری

 

مشخصات آموزش خوشه بندی با استفاده از الگوریتم های تکاملی و فراابتکاری  با کد فایل 2078998  در دسته بندی فنی و مهندسی  با برچسب های فایل خوشه بندی,الگوریتم تکاملی,فرا ابتکاری  قابل دانلود از طریق ( دریافت فایل ) می باشد .