ترجمه ی متون انگلیسی به فارسی کامپیوتر ـ داده کاوی

ترجمه ی متون انگلیسی به فارسی کامپیوتر ـ  داده کاوی

 

You learned the fundamentals of cluster analysis in Chapter 10. In this chapter, we discuss advanced topics of cluster analysis. Specifically, we investigate four major perspectives:

Probabilistic model-based clustering: Section 11.1 introduces a general framework and a method for deriving clusters where each object is assigned a probability of belonging to a cluster. Probabilistic model-based clustering is widely used in many data mining applications such as text mining.

Clustering high-dimensional data: When the dimensionality is high, conventional distance measures can be dominated by noise. Section 11.2 introduces fundamental methods for cluster analysis on high-dimensional data.

Clustering graph and network data: Graph and network data are increasingly popular in applications such as online social networks, theWorldWideWeb, and digital libraries. In Section 11.3, you will study the key issues in clustering graph and network data, including similarity measurement and clustering methods.

Clustering with constraints: In our discussion so far, we do not assume any constraints in clustering. In some applications, however, various constraints may exist.These constraints may rise from background knowledge or spatial distribution of the objects. You will learn how to conduct cluster analysis with different kinds of constraints in Section 11.4.

By the end of this chapter, you will have a good grasp of the issues and techniques regarding advanced cluster analysis.

 

 

 

شما در فصل 10 مبانی ضروری آنالیز خوشه را یاد گرفتید. در این فصل، درباره­ی موضوعات پیشرفته­ی آنالیز خوشه بحث می­کنیم. مخصوصاً، چها موضوع اصلی زیر را مورد بررسی قرار می­دهیم :

خوشه بندی براساس مدل احتمالی : بخش 11.1 چارچوبی کلی و روشی به منظور مشتق کردن خوشهها از اشیاءای که به هریک احتمال متعلق بودن به خوشهی را نسبت داده­اند، معرفی می­کند. خوشه بندی براساس مدل احتمالی بطور وسیع در کاربردهای  داده­کاوی از قبیل متن­کاوی استفاده شده­است.

خوشه بندی داده­های با ابعاد بالا : زمانی که ابعاد داده­ها بالاست، اندازه­گیری فاصله بین داده­ها می­تواند تحت تاثیر نویز قرار بگیرد. بخش 11.2 روش­هایی ضروری به منظور خوشه بندی داده­های با ابعاد بالا را معرفی می­کند.

خوشه بندی گراف و داده­های شبکه : داده­های گراف و شبکه در برنامه­های کاربردی از قبیل شبکه­های اجتماعی آنلاین، وب پهناور جهانی، کتابخانه­های دیجیتال بطور فزآینده­ای مشهورند. در بخش 11.3، شما ایده­ها و مسائل کلیدی در خوشه بندی گراف و داده­های شبکه، شامل اندازه­گیری شباهت و روش­های خوشه بندی، مطالعه خواهید کرد.

خوشه بندی با توجه به محدودیت­ها : در موضوعات بالا، هیچ شرط محدود­کننده­ای به منظور خوشه بندی داده­ها فرض نمی­کنیم. اما، در بعضی برنامه­های کاربردی، ممکن است محدودیت­های جدی وجود داشته باشد. این محدودیت­ها ممکن است از دانش پیش­زمینه یا توزیع فضایی اشیاء نشات گرفته شده باشد. شما چگونگی انجام تحلیل خوشه­ها با انواع مختلف محدودیت­ها را در بخش 11.4 یاد خواهید گرفت.

در انتهای فصل و پس از  مطالعه آن، شما ایده­های و تکنیک­های خوبی را به منظور تحلیل پیشرفته خوشه­ها بدست­ می­آورید.

 

 

تماس باما

آدرس : تهران - جنت آباد جنوبی - خیابان پنجم – پلاک47

 شماره تلفن : 02144648626

 شماره تلفن : 02144648681

شماره همراه : 09129227837

تماس با وایبر هم مقدرو می باشد.

پست الکترونیک : Daneshjoonline1@Gmail.com

/ 0 نظر / 14 بازدید