Bài giảng "Khai thác dữ liệu: Chương 7 - Gom cụm" cung cấp cho sinh viên những kiến thức như: Tổng quan về gom cụm dữ liệu; phương pháp phân hoạch; phương pháp phân cấp; phương pháp dựa trên mật độ; phương pháp dựa trên mô hình. Mời các bạn cùng tham khảo!

Mục tiêu nghiên cứu của luận án "Phương pháp lựa chọn thuộc tính và kỹ thuật gom cụm dữ liệu phân loại sử dụng tập thô" tập trung vào hai vấn đề của đề tài: nghiên cứu phương pháp mới tìm tập rút gọn trong một bảng quyết định; kỹ thuật gom cụm dữ liệu phân loại sử dụng tập thô. Mời các bạn cùng tham khảo!

Mục tiêu nghiên cứu của luận án "Phương pháp lựa chọn thuộc tính và kỹ thuật gom cụm dữ liệu phân loại sử dụng tập thô" tập trung vào hai vấn đề của đề tài: nghiên cứu phương pháp mới tìm tập rút gọn trong một bảng quyết định; kỹ thuật gom cụm dữ liệu phân loại sử dụng tập thô. Mời các bạn cùng tham khảo!

Tóm tắt Luận án Tiến sĩ Khoa học máy tính "Phát triển mô hình tìm kiếm ảnh dựa trên cấu trúc KD-Tree" được nghiên cứu với mục tiêu là: Nghiên cứu cấu trúc dữ liệu đa chiều KD-Tree; xây dựng các thuật toán thao tác trên KD-Tree tổ chức lưu trữ véc-tơ đặc trưng hình ảnh; Phát triển cấu trúc KD-Tree, đồng thời xây dựng và bổ sung ngữ nghĩa cho các bộ dữ liệu thực nghiệm nhằm thực hiện mô hình tìm kiếm ảnh theo tiếp cận ngữ nghĩa.

Mục tiêu nghiên cứu đề tài là tìm hiểu, tổng hợp, đề xuất và thực nghiệm một số giải pháp nhằm rút gọn, tối ưu hóa tập luật mờ TSK trích xuất được từ máy học véc- tơ hỗ trợ.

Luận án đề xuất được mô hình mới. Mô hình GOW-Stream thể hiện được tính ưu việt khi so sánh với các thuật toán hiện đại gần đây. Hệ thống TKES cũng có đóng góp mới là đề xuất thuật toán phát hiện các cụm từ xu thế và có tiềm năng ứng dụng vào việc tối ưu hóa mô hình GOW-Stream đã đề xuất. Các công trình nghiên cứu trong luận án gồm 04 bài báo hội nghị quốc tế (Springer/ACM) và 02 bài báo tạp chí quốc tế (01 bài thuộc Scopus-Q3 và 01 bài thuộc SCIE-Q3).

Nghiên cứu về các hành vi của các loài sinh vật nói chung và chuyển pha trong các hệ này nói riêng là một vấn đề mở, vẫn còn nhiều hiện tượng chưa được giải thích một cách thấu đáo. Các mô hình vật lý vẫn chưa được ứng dụng nhiều trong các bài toán phức tạp liên ngành. Vì vật tác giả tiến hành nghiên cứu đề tài "Nghiên cứu chuyển pha gom cụm của các loài sinh vật bằng các mô hình vật lý thống kê". Mời các bạn cùng tham khảo.

Luận án đề xuất giải pháp MetaAB và MetaAB-adv cho phép phân loại trình tự metagenomics dựa trên sự phong phú của hệ gien trong tập dữ liệu. Giải pháp BiMeta cho phép phân loại trình tự metagenomics dựa trên đặc trưng hợp thành, không sử dụng cơ sở dữ liệu tham khảo. Giải pháp SeMeta cho phép phân loại trình tự metagenomics có sử dụng cơ sở dữ liệu tham khảo.

Bài giảng "Khai phá dữ liệu - Chương 5: Gom cụm dữ liệu" cung cấp cho người học các kiến thức: Tổng quan về gom cụm dữ liệu, gom cụm dữ liệu bằng phân hoạch, gom cụm dữ liệu bằng phân cấp, gom cụm dữ liệu dựa trên mật độ,... Mời các bạn cùng tham khảo.

Luận án được trình bày với các nội dung: Lý thuyết chuyển pha và các phương pháp mô phỏng trên máy tính, thuật toán ứng dụng trong mô phỏng, kết quả nghiên cứu về hiệu ứng góc quan sát đối với chuyển pha gom cụm, đề xuất và ứng dụng của chúng trong nghiên cứu chuyển pha gom cụm của các loài sinh vật, đặc biệt là chuyển pha ở vùng nhiễu thấp. Mời các bạn cùng tham khảo.

Bài giảng "Khai phá dữ liệu - Bài 5: Gom cụm (clustering)" trình bày các nội dung: Phân tích bằng gom cụm là gì, đối tượng tương tự và không tương tự, các loại dữ liệu trong phân tích bằng gom cụm, các phương pháp gom cụm chính, phương pháp phân hoạch,... Mời các bạn cùng tham khảo.

Chương 5 giúp người học hiểu được phương pháp gom cụm dữ liệu trong khai phá dữ liệu. Trong chương này sẽ trình bày các nội dung chính như: Tổng quan về gom cụm dữ liệu, gom cụm dữ liệu bằng phân hoạch, gom cụm dữ liệu bằng phân cấp, gom cụm dữ liệu dựa trên mật độ, gom cụm dữ liệu dựa trên mô hình, các phương pháp gom cụm dữ liệu khác. Mời các bạn cùng tham khảo.

Bài giảng Khai phá dữ liệu (Data mining) gồm có 7 chương với các nội dung chính sau: Tổng quan về khai phá dữ liệu, các vấn đề tiền xử lý dữ liệu, khai phá luật kết hợp, phân loại dữ liệu, gom cụm dữ liệu, phát triển ứng dụng khai phá dữ liệu, các đề tài nghiên cứu trong khai phá dữ liệu. Mời các bạn cùng tham khảo.

Sự bùng nổ thông tin hiện nay do tác động của các siêu phương tiện và WWW. Các hệ thống truy vấn thông tin dựa trên việc phân nhóm, gom cụm (clustering) ra đời để làm tăng tốc độ tìm kiếm thông tin. Do sự biến động thường xuyên của thông tin nên các thuật toán clustering đang tồn tại không thể duy trì tốt các nhóm, cụm (cluster) trong một môi trường như thế. Vấn đề đặt ra là làm thế nào để cập nhật các cluster trong hệ thống mỗi khi thông tin được cập nhật thay vì phải thường xuyên...

 Gom cụm: Gom các đối tượng dữ liệu o Tương tự với một đối tượng khác trong cùng cụm o Không tương tự với các đối tượng trong các cụm khác (Tức là thực hiện gom các đối tượng có cùng tính chất hay có các tính chất gần giống nhau thành nhóm) o Ví dụ: Phân loại học sinh trong một lớp theo điểm số thành 5 nhóm giỏi, khá, trung bình khá, trung bình, yếu. Những học sinh có điểm từ 8-10 phân vào nhóm giỏi, từ 7-8 phân vào nhóm khá, 6-7 phân vào nhóm trung bình khá, 5-6...