خوارزميات التجميع

Name: خوارزميات التجميع
Author: Briana Brownell

اكتشف خوارزميات التجميع الأكثر شيوعًا وكيفية تطبيقها.

شاهد الدرس الأول مجانًا — احصل على وصول كامل إلى جميع الدروس الـ6.

دورة تدريبية: عند الطلب

في هذا الفصل، سننظر إلى عدد من خوارزميات التجميع ومقارنة كيفية أدائهم على عدد قليل من مجموعات البيانات المختلفة. إذن مجموعات البيانات التي سنستخدمها لمقارنة خوارزميات التجميع المختلفة بعض الخصائص المثيرة للاهتمام ولذا فإن ما نريد فعله هو أن نرى كيف تعمل الخوارزميات المختلفة في كل هذه الأنواع المختلفة من المواقف. إذن، أول نوع سننظر فيه في دائرتان متحدة المركز. لذا، ربما إذا كنا نريد تجميع مجموعة البيانات هذه، ربما نرغب في تجميع كل دائرة معًا. الثاني مشابه، إنه قمرين وهكذا، مرة أخرى، ربما نريد تجميع كل من تلك الأقمار معًا. والثالث يتكون أساسًا من ثلاث نقاط ولكل منهم تباين مختلف. تستطيع أن ترى النقطة في المنتصف أكثر انتشارًا مقارنةً بالنوعين الآخرين الأكثر إحكاما. الشيء الآخر المثير للاهتمام عن مجموعة البيانات هذه أنهما غير منفصلين كما هو الحال في أمثلة مجموعات البيانات الأخرى. الثالث هو ثلاثة سيجار، لذا بدلاً من وجود نوع دائري من النقاط blob في مجموعة البيانات، لدينا هذا النوع من الأشكال الممدودة. والثالث عبارة عن ثلاث نقاط مضغوطة تمامًا. ثم الأخير هو في الأساس ضوضاء عشوائية، لذلك لا يوجد نمط لمجموعة البيانات النهائية هذه. حسنًا، لنبدأ ب K Means ذات المجموعة الصغيرة. نعرف القليل بالفعل عن خوارزمية K-Means. طريقة لجعلها أسرع هي بدلا من تصنيف كل صف من البيانات، في كل مرة يتم فيها تحديث النقط الوسطى، بدلاً من ذلك، يمكنك أخذ عينة من البيانات وتحديث النقطه الوسطى بناء على ذلك. لذا، فهي توفر الكثير من الوقت عند استخدام مجموعة بيانات كبيرة في مشكلة التجميع لديك، على الرغم من وجود اختلاف بين K-meansالعادية و mini batch K-Means، إنه حقًا اختلاف طفيف نوعًا ما، وهكذا، في حالة وجود مجموعة بيانات كبيرة تستخدم شيئًا ما يمكن أن تكون Mini Batch K-Means ذات قيمة كبيرة حقًا. هنا سنذهب إلى بايثون وسنقوم بتشغيل هذه الخوارزمية. لذا، يمكنكم رؤية ما لدي هنا، يقوم الكود برسم كل مجموعات البيانات الست هذه التي سنستخدمها في التصنيف والآن ما أريد فعله هو ثلاثة أشياء مختلفة. لذا، أولاً، أريد إنشاء الكائن الخاص بي لتشغيل K-Means. بعد ذلك، أريد ملاءمة البيانات. وأخيرًا، أريد رسم نتائج المجموعة بالرسم البياني من البيانات حتى نتمكن من معرفة كيفية عملها على مجموعات البيانات المختلفة. حسنًا، لنرى كيف يعمل هذا. يمكنك أن ترى أن mini batch K-means تعمل بشكل جيد على مجموعة البيانات ثلاثية النقاط لدينا، ولكن هذا حقًا هو الوحيد الذي يصنف بالطريقة التي قد نريدها. لكن تذكر أن K-Means تنظر في المناطق حول النقط الوسطى وهكذا، بدلاً من العثور على الأنماط المتصلة داخل هناك، إنها تبحث في أي منها تكون قريبة من بعضها داخل المنطقة وتتجاهل الأماكن التي يوجد بها ندرة في البيانات. لذا يمكنك أن ترى أنه لم يعثر على أي من الأنماط، في الدائرتين، على سبيل المثال، إنه لا يجد الأنماط باستخدام السيجار الثلاثة ولا يوجد سوى هذا النمط حقًا في مجموعة بيانات القمرين لأنهما مفصولين إلى حد ما في الفضاء بالفعل لذلك، إنها حقًا نتيجة خاطئة إلى حد ما في تلك النتيجة. الشيء الآخر الذي يجب ملاحظته بالتأكيد هو أنه حتى عندما يكون لدينا النقط الثلاث غير المتكافئة، إنها تقوم بعمل معقول في العثور على تلك المجموعات الثلاث، لكن يمكنك أن ترى ذلك في حالة الكتلة البرتقالية، إنها نوعا ما تضخ في تلك الكتلة المتوسطة الكبيرة. لذلك هذا شيء يجب عليك بالتأكيد وضعه في الاعتبار عند استخدام K-means أنها لا تنظر إلى الأماكن التي تكون فيها البيانات شحيحة من أجل تشكيل الكتلة. أنها تستخدم فقط تلك النقطة الوسطى من أجل تحديد أين تبدأ المجموعات وتنتهي ولهذا السبب، يمكنك الحصول على القليل من الأشياء الغريبة التي تحدث نوع ما خارج تلك المجموعات. الآن يجب أن يكون لديك فكرة عن كيفية عمل مجموعة صغيرة من Mini-Batch K- Means على عدد قليل من مجموعات البيانات النموذجية لدينا، الأماكن التي تعمل فيها بشكل جيد والأماكن التي لا تعمل فيها بشكل جيد.

متوسط مقدِّم الخدمة : Briana Brownell 6 الدروس · 24m باللغات: العربية, الألمانية, الإنجليزية, الإسبانية, الفرنسية, البرتغالية, الأوردية, Chinese

وصف الدورة

في هذه الدروس، ستتعلم خوارزميات التجميع الأكثر استخدامًا والمشاكل التي تنطبق عليها عادة. سنقوم بتغطية نقاط القوة والضعف النسبية الخاصة بهم، والمبادلات بينهما.

ستقوم هذه الوحدة أيضًا بشرح كيفية التنقل في طرق مختلفة لتجميع الخوارزميات. ستتعرف على أساليب التجميع التراكمي، والتجميع الطيفي، ونماذج الخليط الغاوسية. أخيرًا، ستشرح هذه الدورة التدريبية Mini-Batch K-MeansوDBSCAN. بحلول نهاية هذه الوحدة، ستتمكن من التمييز بين مجموعة متنوعة من خوارزميات التجميع.

ما ستتعلمه

تحديد خوارزميات التجميع الأكثر استخدامًا والمشكلات التي تُطبَّق عليها عادةً
مقارنة نقاط القوة والضعف والمقايضات النسبية بين خوارزميات التجميع المختلفة
استكشاف أساليب التجميع التراكمي والتجميع الطيفي
تطبيق نماذج خليط غاوسي للتجميع
التعامل مع k-means بالدُّفعات الصغيرة وDBSCAN بوصفهما أسلوبَين للتجميع
التمييز بين مجموعة متنوعة من خوارزميات التجميع

النقاط الرئيسية

تتناول الدورة خوارزميات التجميع الأكثر استخدامًا والمشكلات التي تُطبَّق عليها عادةً.
تُقيِّم الدورة نقاط القوة والضعف والمقايضات النسبية بين خوارزميات التجميع المختلفة.
توضّح الدورة كيفية التعامل مع الأساليب المختلفة للتجميع، بما فيها التجميع التراكمي والتجميع الطيفي ونماذج خليط غاوسي.
تشرح الدورة k-means بالدُّفعات الصغيرة وDBSCAN.
في نهاية الدورة، يستطيع المتعلمون التمييز بين مجموعة متنوعة من خوارزميات التجميع.