Tóm tắt nội dung
Trước những ứng dụng đáng kể của kỹ thuật phân cụm dữ liệu trong các lĩnh vực khác nhau, như kỹ thuật, trí tuệ nhân tạo, học máy, y học lâm sàng, sinh học, sinh thái, chẩn đoán bệnh và tiếp thị kinh doanh, nhiều thuật toán và phương pháp phân cụm dữ liệu đã được phát triển để giải quyết vấn đề này. dữ liệu phức tạp. Các kỹ thuật này bao gồm các phương pháp học có giám sát và các phương pháp học không giám sát như phân cụm dựa trên mật độ, phân cụm K-means và phân cụm K-láng giềng gần nhất. Cuốn sách này đánh giá các kỹ thuật và thuật toán phân cụm dữ liệu được phát triển gần đây và thảo luận về sự phát triển của phân cụm dữ liệu, bao gồm các biện pháp tương tự hoặc khác biệt đối với phân cụm dữ liệu, thuật toán phân cụm dữ liệu, đánh giá các thuật toán phân cụm và phương pháp phân cụm dữ liệu được phát triển gần đây cho bảo hiểm, tâm lý học, nhận dạng mẫu. và dữ liệu khảo sát.
Abstract:
In view of the considerable applications of data clustering techniques in various fields, such as engineering, artificial intelligence, machine learning, clinical medicine, biology, ecology, disease diagnosis, and business marketing, many data clustering algorithms and methods have been developed to deal with complicated data. These techniques include supervised learning methods and unsupervised learning methods such as density-based clustering, K-means clustering, and K-nearest neighbor clustering. This book reviews recently developed data clustering techniques and algorithms and discusses the development of data clustering, including measures of similarity or dissimilarity for data clustering, data clustering algorithms, assessment of clustering algorithms, and data clustering methods recently developed for insurance, psychology, pattern recognition, and survey data.
Sử dụng ứng dụng Libol Bookworm quét QRCode này để mượn và đọc tài liệu)
(Lưu ý: Sử dụng ứng dụng Bookworm để xem đầy đủ tài liệu. Bạn đọc có thể tải Bookworm từ App Store hoặc Google play với từ khóa "Libol Bookworm”)