مروري بر الگوريتم‌هاي خوشه‌بندي در داده‌هاي كلان

A review of clustering algorithms in big data

در سال‏هاي اخير خوشه‌بندي در علوم مختلف به طور گسترده‌اي مورد توجه قرار گرفته است و دانشمندان هر حوزه از روش‌هاي خوشه‌بندي، جهت گروه‌بندي داده‌هاي موجود استفاده مي‌كنند. خوشه‌بندي براي يادگيري بدون نظارت با ارائه معيارهايي براي تعيين مشابه يا غيرمشابه بودن دو شي مختلف مورد استفاده قرار مي‌گيرد. اين روش، نمونه‌ي داده‌ها را در زير مجموعه‌هايي با نمونه‌هاي مشابه گروه‌بندي مي‏كنند. بنابراين، نمونه‌ها در خوشه‌بندي با روش‌هاي سلسله مراتبي، پارتيشن‌بندي، مبتني بر چگالي، مبتني بر مدل، مبتني بر شبكه و محاسبات نرم و ... يك نمايش كارآمد سازماندهي شده را براي جمعيت نمونه‌گيري شده مشخص مي‌كند.

Clustering has received widespread attention in recent years, with scientists in all fields using clustering methods to group available data. Clustering is an unsupervised learning method that provides criteria for determining whether two different objects are similar or dissimilar. It groups data samples into subsets with similar samples, resulting in an efficient and organized representation of the sampled population. Clustering methods include hierarchical, partitioning, density-based, model-based, network-based, and soft computing methods.