فرادرس
هزینه آموزش
۱۷,۰۰۰ تومان

آموزش خوشه بندی با استفاده از الگوریتم های تکاملی و فراابتکاری

آموزش خوشه بندی با استفاده از الگوریتم های تکاملی و فراابتکاری

تعداد دانشجو
۲,۱۱۳ نفر
مدت زمان
۲ ساعت و ۴۶ دقیقه
هزینه آموزش
۱۷,۰۰۰ تومان
محتوای این آموزش
۲۸ بازخورد (مشاهده نظرات)
آموزش خوشه بندی با استفاده از الگوریتم های تکاملی و فراابتکاری

چکیده

در فیلم آموزشی خوشه بندی با استفاده از الگوریتم های تکاملی و فراابتکاری، ابتدا مساله خوشه بندی به صورت عادی و سپس مساله خوشه بندی خودکار، به صورت مسائل بهینه سازی بیان شده اند و توسط چندین الگوریتم تکاملی و فراابتکاری، به صورت گام به گام و در محیط نرم افزار متلب، حل و بررسی شده اند. برای تبدیل مساله خوشه بندی به مساله بهینه سازی، ما نیازمند شاخص هایی هستیم که به این منظور، در این فرادرس، از چندین شاخص معروف در حوزه داده کاوی تکاملی، استفاده شده است.

مدرس
سید مصطفی کلامی هریس

دکترای تخصصی مهندسی برق - کنترل

دکتر سید مصطفی کلامی هریس یکی از بنیانگذاران و مدیران کنونی فرادرس و از اعضای هیات علمی آن است. ایشان دارای مدرک دکترای تخصصی در رشته مهندسی برق - کنترل، از دانشگاه صنعتی خواجه نصیرالدین طوسی (قطب علمی کنترل صنعتی) هستند و زمینه های پژوهشی و کاری تخصصی ایشان، در حوزه های مختلف مهندسی کنترل و سیستم های هوشمند بوده است.

توضیحات تکمیلی

خوشه بندی (Clustering) یکی از چند قالب مهم مسائلی است که در کاربردهای مختلف یادگیری ماشین (Machine Learning) و داده کاوی (Data Mining) مطرح می شود. خوشه بندی، که با نام آنالیز و تحلیل خوشه (Cluster Analysis) نیز در حوزه آمار شناخته می شود، یکی از انواع مسائل یادگیری غیر نظارت شده است، که الگوریتم فراوانی نیز، برای حل این مساله ارائه شده اند. تعدادی از این الگوریتم ها، در آموزش های دیگر منتشر شده در فرادرس، مورد بحث و بررسی واقع شده اند.

یکی از انواع پیچیده مسائل خوشه بندی، زمانی طرح می شود که تعداد خوشه ها نیز نامعلوم باشد و الگوریتم آن موظف به پیدا کردن تعداد خوشه ها باشد. این مساله، اصطلاحا با نام خوشه بندی خودکار یا Automatic Clustering شناخته می شود؛ آن چنان که خود مساله را، معمولا با نام Automatic Classification نیز می شناسیم.

حل مساله در حالت کلی و مساله خوشه بندی خودکار به صورت خاص، بعضا می تواند خارج از توان الگوریتم های رایج خوشه بندی باشد. یکی از راه حل هایی که برای این موضوع در نظر گرفته شده است، تبدیل مساله خوشه بندی به یک مساله بهینه سازی و حل آن با استفاده از الگوریتم های بهینه سازی هوشمند و تکاملی است. موضوع بحث ما در این مجموعه آموزش نیز، دقیقا همین مبحث است.

در فیلم آموزشی خوشه بندی با استفاده از الگوریتم های تکاملی و فراابتکاری، ابتدا مساله خوشه بندی به صورت عادی و سپس مساله خوشه بندی خودکار، به صورت مسائل بهینه سازی بیان شده اند و توسط چندین الگوریتم تکاملی و فراابتکاری، به صورت گام به گام و در محیط نرم افزار متلب، حل و بررسی شده اند. برای تبدیل مساله خوشه بندی به مساله بهینه سازی، ما نیازمند شاخص هایی هستیم که به این منظور، در این مجموعه آموزشی، از چندین شاخص معروف در حوزه داده کاوی تکاملی، استفاده شده است.

فهرست شاخص های مورد استفاده و استناد در این آموزش، در ادامه آمده است:

الف) شاخص مجموع فاصله از مرکز کلاستر یا Within Cluster Distance (به اختصار WCD) - این شاخص در واقع در تعریف کلی مساله k-Means و بیان معیار بهینگی آن، مورد استفاده واقع شده است.

ب) شاخص DB (یا اندیس Davies and Bouldin) - در سال ۱۹۷۹ معرفی شده است و برای ارزیابی اعتبار خوشه بندی خودکار مورد استفاده قرار می گیرد.

پ) شاخص CS (یا اندیس Chou, Su and Lai) - در سال ۲۰۰۴ معرفی شده است و برای ارزیابی اعتبار خوشه بندی خودکار مورد استفاده قرار می گیرد.

در این مجموعه آموزشی، از پنج الگوریتم بهینه سازی هوشمند برای حل مساله خوشه بندی و خوشه بندی خودکار استفاده شده است، که فهرست آن ها در ادامه آمده اند:

1- الگوریتم ژنتیک یا Genetic Algorithm (به اختصار GA)

2- بهینه سازی ازدحام ذرات یا Particle Swarm Optimization (به اختصار PSO)

3- تکامل تفاضلی یا Differential Evolution (به اختصار DE)

4- کلونی زنبورهای مصنوعی یا Artificial Bee Colony (به اختصار ABC)

5- جستجوی هارمونی یا Harmony Search (به اختصار HS)

مدرس این مجموعه آموزش، دکتر سید مصطفی کلامی هریس (دکترای مهندسی کنترل از دانشگاه صنعتی خواجه نصیرالدین طوسی) است. در این مجموعه آموزشی نیز، مانند سایر آموزش های فرادرس، ابتدا مبانی تئوری موضوع درس، مورد بحث و بررسی واقع می شوند و سپس پیاده سازی عملی الگوریتم ها و روش های مطرح شده، به صورت گام به گام انجام می شود.

 
فهرست سرفصل ها و رئوس مطالب مطرح شده در خوشه بندی ، در ادامه آمده است:

درس یکم: حل مساله خوشه بندی کلاسیک با استفاده از الگوریتم های تکاملی و فرا ابتکاری

  • - مروری بر مفاهیم پایه مساله خوشه بندی
  • - بررسی معیارها و اهداف خوشه بندی
  • - معیار پیوستگی یا فشردگی (Cohesion)
  • - معیار تفکیک (Separation)
  • - بیان مساله k-Means و معیار بهینگی مورد استفاده در تعریف آن
  • - آشنایی با الگوریتم لوید یا k-Means و نحوه کارکرد آن برای حل مساله k-Means
  • - تبدیل مساله k-Means به مساله بهینه سازی با استفاده از شاخص WCD
  • - پیاده سازی یک دیتاست فرضی برای بررسی نتایج خوشه بندی
  • - پیاده سازی تابع هدف مربوط به مساله k-Means برای حل مساله خوشه بندی
  • - آشنایی با تابع Pdist2 برای محاسبه فاصله نقاط دو مجموعه
  • - اتصال تابع هدف مربوط به خوشه بندی به الگوریتم های بهینه سازی
  • - حل مساله k-Means با استفاده از الگوریتم ژنتیک
  • - حل مساله k-Means با استفاده از الگوریتم PSO
  • - حل مساله k-Means با استفاده از تکامل تفاضلی
  • - حل مساله k-Means با استفاده از الگوریتم کلونی زنبور مصنوعی
  • - حل مساله k-Means با استفاده از جستجوی هارمونی
  • - ترسیم نتایج خوشه بندی به صورت آنلاین و همزمان با اجرای برنامه
  • - بررسی نتایج به دست آمده از خوشه بندی k-Means با استفاده از الگوریتم های تکاملی

درس دوم: حل مساله خوشه بندی خودکار با استفاده از الگوریتم های تکاملی و فرا ابتکاری

  • - بیان مساله خوشه بندی خودکار یا Automatic Clustering
  • - نحوه کدینگ پاسخ و ساختار کروموزوم در الگوریتم های بهینه سازی برای توصیف راه حل مساله خوشه بندی خودکار
  • - بررسی و آشنایی با معیارهای ارزیابی کیفیت خوشه بندی
  • - تشریح مبانی تئوری معیار یا اندیس کیفیت خوشه بندی DB
  • - تشریح مبانی تئوری معیار یا اندیس کیفیت خوشه بندی CS
  • - پیاده سازی تابع هدف مربوط به معیارهای کیفیت مورد بحث
  • - اتصال تابع هدف پیاده سازی شده به پنج الگوریتم بهینه سازی مورد بحث در درس قبلی
  • - اجرای برنامه ها و بررسی نتایج به دست آمده

آنچه در این آموزش خواهید دید:

آموزش ویدئویی مورد تائید فرادرس
مراجع و فایل های جانبی مرتبط با آموزش
فایل برنامه ها و پروژه های اجرا شده
فایل PDF یادداشت‌ های ارائه مدرس



پیش نمایش‌ها

پیش‌نمایش ۱: حل مسأله خوشه بندی کلاسیک با استفاده از الگوریتم های تکاملی و فرا ابتکاری

توجه: اگر به خاطر سرعت اینترنت، کیفیت نمایش پایین‌تر از کیفیت HD ویدئو اصلی باشد؛ می‌توانید ویدئو را دانلود و مشاهده کنید (دانلود پیش‌نمایش - حجم: ۷۱ مگابایت -- (کلیک کنید +))

پیش‌نمایش ۲: حل مسأله خوشه بندی خودکار با استفاده از الگوریتم های تکاملی و فرا ابتکاری

توجه: اگر به خاطر سرعت اینترنت، کیفیت نمایش پایین‌تر از کیفیت HD ویدئو اصلی باشد؛ می‌توانید ویدئو را دانلود و مشاهده کنید (دانلود پیش‌نمایش - حجم: ۹۰ مگابایت -- (کلیک کنید +))

راهنمای تهیه آموزش ها

آیا می دانید که تهیه یک آموزش از فرادرس و شروع یادگیری چقدر ساده است؟

راهنمایی بیشتر ( +)

در مورد این آموزش یا نحوه تهیه آن سوالی دارید؟
  • با شماره تلفن واحد مخاطبین ۵۷۹۱۶۰۰۰ (پیش شماره ۰۲۱) تماس بگیرید. - تمام ساعات اداری
  • با ما مکاتبه ایمیلی داشته باشید (این لینک). - میانگین زمان پاسخ دهی: ۳۰ دقیقه


اطلاعات تکمیلی

نام آموزش آموزش خوشه بندی با استفاده از الگوریتم های تکاملی و فراابتکاری
ناشر فرادرس
شناسه اثر ۸–۱۲۴۵۲–۰۴۸۸۹۵ (ثبت شده در مرکز رسانه‌های دیجیتال وزارت ارشاد)
کد آموزش FVRP106
مدت زمان ۲ ساعت و ۴۶ دقیقه
زبان فارسی
نوع آموزش آموزش ویدئویی     (کیفیت HD - مورد تایید فنی فرادرس)
حجم دانلود ۴۴۷ مگابایت     (کیفیت ویدئو HD‌ با فشرده سازی انحصاری فرادرس)


نظرات

تا کنون ۲,۱۱۳ نفر از این آموزش استفاده کرده اند و ۲۸ نظر ثبت شده است.
یوسف
یوسف

خیلی کامل و کاربردی بود. برای من آموزش جالبی بود. لطفا آموزش کدنویسی اباکوس رو هم سریع تر منتشر کنید، باور کنید ما تعدامون زیاده که این آموزشو می خواییم لطفا لحاظ کنید.

محمد امین
محمد امین

من تو دوره ی امتحانام این آموزشو تهیه کردم و خیلی نتونستم ببینم. اما تا اونجا که دیدم، شیوه ی تدریس ایشون رو پسندیدم.
ممنونم از فرادرس.

وحید
وحید

ایشان واقعا عالی هستن ما کلا دنبال مطالب ایشان هستم.
اما یه موردی که وجود دار اینکه خیلی مطالب از پایه شروع میشه درسته که باید اصول یادبگیریم ولی میشه مطالب با ارائه مثال های خیلی قویی و کاربردی تر به کار برد.

زهرا
زهرا

من این آموزشو برای این تهیه کردم که یه قسمتش توی کارم بود، اما وقتی رفتم دیدم، فهمیدم این خیلی به دردم نمیخوره و نمیتونه کار منو راه بندازه و مجبور شدم برم یه آموزش دیگه تهیه کنم.

مسعود
مسعود

سلام به همه دوستان
نظر من راجع به این آموزش مثبت و برای موردی که می خواستم، تونستم ازش استفاده کنم.

علی
علی

آموزش کاربردی بود و من راضی بودم.

عباس
عباس

با سلام. روش ها خوب توضیح داده شدند. بهتر بود در ارایه مثالها حداقل دو مثال کاربردی اضافه میشد تا آموزش غنی تر شود
با آرزوی توفیق

علیرضا
علیرضا

سلام
متشکرم از تلاش های صورت گرفته
پیشنهاد میکنم روش های دیگر خوشه بندی مانند مبتنی بر چگالی، مبتنی بر مشبک کردن فضا،نقشه های خود سازمانده و... ارائه شود.متشکرم

برومند
برومند

سلام
این اموزش بیشتر پیاده سازی در متلب بود ولی من دنبال بهینه سازی روش k-means با روش ازدحام ذرات بودم که تئوری توضیح داده بشه نه به صورت کار با نرم افزار

morteza
morteza

این آموزش از آقای کلامی بسیاری از اشکالات من رو تو زمینه ی خوشه بندی حل کرد، جوری آموزش میدن که شما بلافاصله می تونید کدینگ مساله رو برای مساله های خودتان تغییر بدین، اتفاقا برای این آموزش مقاله های مرتبط رو هم گذاشتند و شما می تونید برای آموزش بیشتر و درک مفاهیم، مقاله ها رو بخونین، دانشجویان مهندسی صنایع میتونن خوشه بندی رو در بسیاری از مسایل به کار ببرن، بنده با استفاده از این آموزش تونستم برای حل مساله ی VRP و GVRP از این کدها استفاده کنم.
فرادرس ممنون

آرش چاقری
آرش چاقری

من از تمام آموزش های جناب آقای دکتر کلامی راضی هستم. به عنوان یکی از کاربران فرادرس پیشنهاد می کنم که برای هر آموزش، حداقل یک مرجع مشخص شود و طبق آن آموزش تهیه و ارائه شود. این کار باعث تولید مجموعه آموزشی بی نقص تر و کیفیت بهتر می شود.

رضا
رضا

با سلام و خسته نباشید،
به دلیل مشکلات کاری نمیتونستم در کلاس های دانشگاه شرکت مداوم داشته باشم و یکی از دوستانم سایت شما رو معرفی کردن و بعد از مرور و خرید از سایت شما تونستم به تمام مطالب تسلط پیدا کنم و امتحان بهینه سازی رو با بالاترین نمرات کلاس قبول شم، آقای دکتر کلامی در آموزش فوق العاده هستن. خیلی واضح و کامل مطالبو با حوصله و توضیح شفاف و ساده بیان می کنن که فوق العاده است، و در آینده همیشه ارتباطمو با فرادرس حفظ می کنم، آقای دکتر کلامی خیلی دانش و تسلط عمیقی دارند و از بهترین اساتید من هستند خیلی دوسشون دارم،
ممنونم فرادرس.

بدری
بدری

با سلام و احترام فراوان.
این مجموعه آموزشی یکی از بهترین مجموعه هایی بوده که خریداری کرده ام . این آموزش در برگیرنده مفاهیم، مسائل و کاربرد های فراوانی است که با تسلط خوب آقای دکتر کلامی در یک مجموعه آموزشی نسبتا کوتاه قرار گرفته است. ماهیت بسیاری از مباحث از جمله موضوعات مربوط به کامپیوتر و بالاخص برنامه نویسی به گونه ای است که حتی با تجربه ترین مدرسان هر اندازه دقت به خرج دهند و تیزبین باشند، باز هم احتمال اشتباهات سهوی وجود دارد و با توجه به خیل عظیم مخاطبان فرادرس بعید نیست که اشکالات پیش بینی نشده ای رخ دهند. لذا یک راهکار مناسب برای رفع چنین مشکلاتی استفاده از متخصصین در حوزه مباحث مربوطه می باشد که جوابگوی مخاطبان باشند. هر چند دشواری ها و محدودیت های ارائه چنین خدماتی کم نیستند، اما امیدواریم با توجه به رسالت و آرمان های فرادرس این مشکلات نیز از میان برداشته شوند.

اسیه عباسی
اسیه عباسی

روند کلی آموزش و بخش برنامه نویسی بسیار راضی کننده است.

حمدالله بدری علی کردی
حمدالله بدری علی کردی

این آموزش نسبت به این هزینه عالی است. با استفاده از آن در مدت زمان کم توانستم کارم را انجام دهم.

علی ابراهیمی
علی ابراهیمی

با سلام. بخش های توضیحات الگوریتم ها برایم بسیار مفید بودند.

مارال
مارال

خیلی با کیفیت و پر محتوی است. موفق باشید.

امیرحسین مهردانش
امیرحسین مهردانش

از تیم پشتیبانی آنلاین متشکرم. من در دانلود بخش اول مشکل داشتم که با راهنمایی های ایشان رفع شد.

نیلوفر
نیلوفر

با سلام. این فیلم آموزشی برای امور دانشگاهی و پروژه های مرتبط ایده بسیار خوبی به من داد. ممنونم.

شهریار
شهریار

از لحاظ کیفیت عالی بود. من از آموزش شبکه های عصبی هم استفاده کردم و خیلی راضی بودم.

احسان
احسان

در این آموزش داده های ورودی محدود بودند. لطفا مثال های با حجم بالای داده هم به این آموزش بیافزایید.

مهدی شهری مقدم
مهدی شهری مقدم

آموزش های آقای کلامی هریس عالی هستند.

رامین بیدل
رامین بیدل

خوشه بندی با استفاده از الگوریتم های تکامل در مجموع خوب و موثر بود.
یک پیشنهاد داشتم: یک پکیج مجزا ارائه شود که شامل مثال های کاربردی باشد و همه مراحل را از ورود داده تا نتیجه را نشان دهد. متشکرم.

الهه
الهه

درود بر شما. بخش پیاده سازی در حل یک مقاله خیلی به من کمک کرد. بسیار جامع و کامل بود. متشکرم.

ماندانا سروش
ماندانا سروش

سلام. ارائه آموزش های نوین در زمینه خوشه بندی عالی است. کاملا نیاز مرا برطرف کرد. نکته مهم این است که اساتید انتظار انجام پروژه ها را دارند بدون اینکه کسی به ما پیاده سازی یاد داده باشد و این آموزش های عملی خیلی برای ما آموزنده است.

عطاء
عطاء

سلام. خسته نباشید عرض میکنم خدمت تیم فرادرس بخاطر انتشار این فیلم آموزشی کارامد. برایتان آرزوی موفقیت دارم.

محمد سرایی
محمد سرایی

به نظرم این آموزش خیلی کلی بود و می شد با بیان جزئیات بیشتر تخصصی تر باشد.

فرزاد علیپور
فرزاد علیپور

به نظرم این آموزش خیلی شیوا و عالی تدریس شده بود ولی زمان فیلم آموزشی کم بود به نظرم می توانست کامل تر از این باشد.


برچسب‌ها: Artificial Bee Colony | Artificial Bee Colony for Clustering | Automatic Clustering | Cluster Analysis | Cluster Count | Clustering | Clustering in MATLAB | Clustering Optimality Index | Clustering using Evolutionary Algorithms | Clustering using Metaheuristics | Clustering Validity Index | CS Index for Clustering | Data Mining | Data Mining in MATLAB | Data Mining using Evolutionary Algorithms | Data Mining using Metaheuristics | DB Index for Clustering | Differential Evolution | Differential Evolution for Clustering | Evolutionary Clustering | Evolutionary Data Mining | Genetic Algorithm | Genetic Algorithm for Clustering | Harmony Search | Harmony Search for Clustering | k-Means Algorithm | k-Means Clustering | k-Means Problem | Lloyd's Algorithm | Machine Learning | Machine Learning in MATLAB | Machine Learning using Evolutionary Algorithms | Machine Learning using Metaheuristics | Optimal Cluster Count | Particle Swarm Optimization | Particle Swarm Optimization for Clustering | pdist2 | pdist2 Function | PSO | PSO for Clustering | Unsupervised Learning | Validity Index | آنالیز خوشه | الگوریتم k-Means | الگوریتم Lloyd | الگوریتم زنبور عسل | الگوریتم ژنتیک | الگوریتم لوید | الگوریتم های خوشه بندی در داده کاوی | انواع خوشه بندی در داده کاوی | انواع روش های خوشه بندی سلسله مراتبی | برنامه ریزی تکاملی | بهینه سازی ازدحام ذرات | تابع pdist2 | تحلیل خوشه | تعریف خوشه بندی | تعیین تعداد بهینه خوشه | تعیین تعداد خوشه | تکامل تفاضلی | جستجوی هارمونی | خوشه بندی | خوشه بندی k-Means | خوشه بندی pdf | خوشه بندی با الگوریتم زنبور عسل | خوشه بندی با الگوریتم ژنتیک | خوشه بندی با بهینه سازی ازدحام ذرات | خوشه بندی با تکامل تفاضلی | خوشه بندی با جستجوی هارمونی | خوشه بندی با کلونی زنبور عسل مصنوعی | خوشه بندی با کلونی زنبور مصنوعی | خوشه بندی تکاملی | خوشه بندی چیست | خوشه بندی خودکار | خوشه بندی در MATLAB | خوشه بندی در متلب | داده کاوی تکاملی | داده کاوی در MATLAB | داده کاوی در متلب | شاخص CS در خوشه بندی | شاخص DB در خوشه بندی | شاخص های بهینگی خوشه بندی | شاخص های کیفیت خوشه بندی | فرابتکاری | کاربرد الگوریتم های تکاملی در خوشه بندی | کاربرد الگوریتم های تکاملی در داده کاوی | کاربرد الگوریتم های تکاملی در یادگیری ماشین | کاربرد الگوریتم های فرا ابتکاری در خوشه بندی | کاربرد الگوریتم های فرا ابتکاری در داده کاوی | کاربرد الگوریتم های فرا ابتکاری در یادگیری ماشین | کلاسترینق | کلاسترینگ | کلاسترینگ k-Means | کلاسترینگ خودکار | کلاسترینگ در MATLAB | کلاسترینگ در متلب | کلونی زنبور عسل مصنوعی | کلونی زنبور مصنوعی | مسأله k-Means | مقاله خوشه بندی در داده کاوی | یادگیری غیر نظارت شده | یادگیری ماشین در MATLAB | یادگیری ماشین در متلب