اپلیکیشن اندرویدی فلش‌کارت آموزشی خوشه‌بندی مبتنی بر چگالی: DBSCAN و OPTICS

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره خوشه‌بندی مبتنی بر چگالی: DBSCAN و OPTICS

موضوع کلی: روش‌های کمی پیشرفته در آمار و اقتصادسنجی

موضوع میانی: تحلیل خوشه‌ای

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر خوشه‌بندی و کاربردهای آن
• 2. مفاهیم پایه‌ای خوشه‌بندی داده‌ها
• 3. معیارهای ارزیابی خوشه‌بندی
• 4. خوشه‌بندی سلسله مراتبی: الگوریتم‌ها و کاربردها
• 5. خوشه‌بندی پارتیشن‌بندی: الگوریتم K-Means
• 6. انتخاب مقدار K بهینه در الگوریتم K-Means
• 7. مزایا و معایب الگوریتم K-Means
• 8. خوشه‌بندی مبتنی بر چگالی: معرفی DBSCAN
• 9. مفهوم چگالی و همسایگی در DBSCAN
• 10. پارامترهای Eps و MinPts در DBSCAN
• 11. نحوه عملکرد الگوریتم DBSCAN
• 12. مزایا و معایب الگوریتم DBSCAN
• 13. کاربردهای DBSCAN در تشخیص ناهنجاری
• 14. مقایسه DBSCAN با K-Means
• 15. پیش‌پردازش داده‌ها برای خوشه‌بندی
• 16. نرمال‌سازی داده‌ها و تاثیر آن بر خوشه‌بندی
• 17. انتخاب ویژگی‌های مناسب برای خوشه‌بندی
• 18. خوشه‌بندی داده‌های با ابعاد بالا
• 19. کاهش ابعاد داده‌ها: PCA و t-SNE
• 20. خوشه‌بندی داده‌های کاتگوریکال
• 21. فاصله سازی برای داده‌های کاتگوریکال
• 22. خوشه‌بندی داده‌های متنی
• 23. تبدیل متن به بردار: TF-IDF
• 24. خوشه‌بندی تصاویر
• 25. استخراج ویژگی از تصاویر
• 26. خوشه‌بندی داده‌های مکانی
• 27. خوشه‌بندی مبتنی بر فاصله جغرافیایی
• 28. خوشه‌بندی داده‌های سری زمانی
• 29. تشخیص الگوها در داده‌های سری زمانی
• 30. الگوریتم OPTICS: معرفی و مفاهیم پایه
• 31. تفاوت‌های OPTICS با DBSCAN
• 32. پارامترهای OPTICS و تاثیر آن‌ها
• 33. نحوه عملکرد الگوریتم OPTICS
• 34. مزایا و معایب الگوریتم OPTICS
• 35. کاربردهای OPTICS در داده‌های با چگالی متغیر
• 36. خوشه‌بندی با استفاده از هسته‌های مختلف
• 37. انتخاب هسته مناسب برای خوشه‌بندی
• 38. خوشه‌بندی داده‌های پیچیده با ترکیب الگوریتم‌ها
• 39. ارزیابی عملکرد OPTICS
• 40. مقایسه OPTICS و DBSCAN در عمل
• 41. بهینه‌سازی پارامترهای DBSCAN و OPTICS
• 42. خوشه‌بندی داده‌های بزرگ
• 43. استفاده از روش‌های نمونه‌برداری
• 44. خوشه‌بندی توزیع‌شده با استفاده از Spark
• 45. خوشه‌بندی داده‌ها در فضای ابری