اپلیکیشن اندرویدی فلش‌کارت آموزشی الگوریتم‌های خوشه‌بندی: k-means و hierarchical clustering

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره الگوریتم‌های خوشه‌بندی: k-means و hierarchical clustering

موضوع کلی: برنامه نویسی

موضوع میانی: الگوریتم‌ها و ساختمان داده‌ها

📋 سرفصل‌های دوره

• 1. مفاهیم پایه خوشه‌بندی در یادگیری بدون نظارت
• 2. تفاوت خوشه‌بندی با طبقه‌بندی و رگرسیون
• 3. کاربردهای عملی خوشه‌بندی در داده‌کاوی
• 4. معیارهای فاصله و شباهت در داده‌های عددی
• 5. نرمال‌سازی داده‌ها پیش از خوشه‌بندی
• 6. معرفی الگوریتم k-means و اصول اولیه
• 7. انتخاب تعداد خوشه‌ها با روش آرنج
• 8. روش سیلهوئت برای ارزیابی کیفیت خوشه‌ها
• 9. مراحل گام‌به‌گام اجرای k-means
• 10. مسئله مقداردهی اولیه و تأثیر آن بر نتایج
• 11. روش k-means++ برای بهبود مقداردهی اولیه
• 12. معرفی الگوریتم hierarchical clustering
• 13. انواع خوشه‌بندی سلسله‌مراتبی: تجمعی و تقسیمی
• 14. روش Single Linkage و ویژگی‌های آن
• 15. روش Complete Linkage و کاربردها
• 16. روش Average Linkage و میانگین فاصله‌ها
• 17. روش Ward و کمینه‌سازی واریانس
• 18. ترسیم دندروگرام و تفسیر آن
• 19. برش دندروگرام برای تعیین خوشه‌ها
• 20. مقایسه k-means و hierarchical clustering
• 21. مقیاس‌پذیری k-means در داده‌های حجیم
• 22. محدودیت‌های k-means در خوشه‌های غیرکروی
• 23. معرفی الگوریتم DBSCAN برای خوشه‌های نامنظم
• 24. تفاوت DBSCAN با k-means و hierarchical
• 25. خوشه‌بندی با معیار فاصله اقلیدسی
• 26. خوشه‌بندی با معیار فاصله منهتن
• 27. خوشه‌بندی با معیار شباهت کسینوسی
• 28. پیش‌پردازش داده‌های گسسته برای خوشه‌بندی
• 29. خوشه‌بندی داده‌های متنی با TF-IDF
• 30. ارزیابی خوشه‌ها با شاخص Davies-Bouldin
• 31. ارزیابی خوشه‌ها با شاخص Dunn
• 32. خوشه‌بندی با داده‌های پرت و روش‌های مقاوم
• 33. تعیین خودکار تعداد خوشه‌ها با Gap Statistic
• 34. پیاده‌سازی k-means در پایتون با کتابخانه scikit-learn
• 35. پیاده‌سازی hierarchical clustering در پایتون
• 36. تنظیم پارامترهای k-means برای بهبود عملکرد
• 37. خوشه‌بندی تصاویر با k-means
• 38. خوشه‌بندی مشتریان برای بخش‌بندی بازار
• 39. خوشه‌بندی اسناد و مقالات علمی
• 40. خوشه‌بندی داده‌های ژنتیکی و بیوانفورماتیک
• 41. خوشه‌بندی داده‌های سری زمانی
• 42. روش Mini-Batch k-means برای داده‌های بزرگ
• 43. خوشه‌بندی با وزن‌دهی به ویژگی‌ها
• 44. ترکیب خوشه‌بندی با کاهش ابعاد (PCA)
• 45. تشخیص ناهنجاری با استفاده از خوشه‌بندی
• 46. مقایسه عملکرد الگوریتم‌های خوشه‌بندی بر دیتاست‌های واقعی
• 47. اشتباهات رایج در انتخاب الگوریتم خوشه‌بندی
• 48. بهینه‌سازی سرعت خوشه‌بندی در داده‌های بزرگ
• 49. خوشه‌بندی فازی و معرفی Fuzzy C-means
• 50. مبانی خوشه‌بندی طیفی و کاربردها
• 51. جمع‌بندی و انتخاب الگوریتم مناسب بر اساس داده