Bài thuyết trình Ứng dụng khai thác dữ liệu (Data Mining and Application): Partitioning Method K-Means trình bày phương pháp phân cụm K-Means – một trong những thuật toán phổ biến nhất trong khai thác dữ liệu không giám sát. Bài thuyết trình giới thiệu nguyên lý hoạt động, quy trình thực hiện, cách chọn số cụm và tổng kết các đặc điểm của phương pháp. K-Means là công cụ hiệu quả để khám phá cấu trúc ẩn trong dữ liệu lớn. Mời các bạn cùng tham khảo để biết thêm chi tiết!

Bài viết "Ứng dụng phương pháp phân cụm k-means để xác định điểm tắc nghẽn trong sản xuất" tiến hành phân tích dữ liệu được phân nhóm dựa trên chuỗi thời gian đại diện cho mỗi nhóm để phát hiện các điểm nghẽn trong sản xuất.

Bài viết đề xuất một phương pháp mới cho phép phân loại hiệu quả các tập dữ liệu bất cân bằng. Phương pháp này phân cụm lớp đa số dùng thuật toán k-means và lấy mẫu lên lớp thiểu số dùng kỹ thuật SMOTE.

Bài viết đề xuất một phương pháp để nâng cao hiệu quả phân lớp dữ liệu không cân bằng. Đóng góp chính của phương pháp là kết hợp thuật toán phân cụm K-means và kỹ thuật sinh mẫu thiểu số VCIR để tạo ra các mẫu nhân tạo có tính đại diện sát với đặc trưng của dữ liệu thực tế.

Bài giảng Tìm kiếm và trình diễn thông tin - Bài 14: Phân cụm văn bản (2). Bài này cung cấp cho sinh viên những nội dung gồm: tính hội tụ của K-means; tính tối ưu của K-means; đánh giá kết quả chia cụm;... Mời các bạn cùng tham khảo chi tiết nội dung bài giảng!

Bài giảng Tìm kiếm và trình diễn thông tin - Bài 13: Phân cụm văn bản. Bài này cung cấp cho sinh viên những nội dung gồm: bài toán chia cụm; ứng dụng chia cụm trong tìm kiếm; giải thuật K-means;... Mời các bạn cùng tham khảo chi tiết nội dung bài giảng!

Lecture "Applied data science: Clustering" includes content: Exemplary technique - K-means clustering; Exemplary technique - Hierarchical clustering; Practical issues in clustering; Case study;... We invite you to consult!

Trong bài viết, dữ liệu được thu thập gồm 306 khách hàng đã từng sử dụng dịch vụ đặt xe công nghệ. Bộ dữ liệu này được phân tích thông qua các phương pháp phân cụm (clustering methods) trong thống kê và học máy không giám sát (unsupervised learning). Các thuật toán đó còn được gọi là K-means và Elbow.

Bài giảng Nhập môn Học máy và Khai phá dữ liệu - Chương 4+5: Phân cụm. Chương này cung cấp cho học viên những nội dung về: bài toán học có giám sát (Supervised learning) và bài toán học không giám sát (Unsupervised learning); giải thuật phân cụm; đánh giá chất lượng phân cụm (Clustering quality);... Mời các bạn cùng tham khảo chi tiết nội dung bài giảng!

Bài giảng Khai phá web - Bài 2: Học máy (Phần 3). Bài này cung cấp cho học viên những nội dung về: các khái niệm cơ bản; thuật toán k-means; biểu diễn cụm; phân cụm phân cấp; hàm khoảng cách; chuẩn hóa dữ liệu; xử lý nhiều loại thuộc tính;... Mời các bạn cùng tham khảo chi tiết nội dung bài giảng!

Bài giảng Nhập môn Học máy và Khai phá dữ liệu - Chương 9.2: Học dựa trên xác suất. Chương này cung cấp cho học viên những nội dung về: expectation maximization; GMM và K-means; thuật toán EM; mô hình hỗn hợp và phân cụm; mạng nơron để thực hiện suy diễn Bayes;... Mời các bạn cùng tham khảo chi tiết nội dung bài giảng!

Bài giảng Nhập môn Học máy và Khai phá dữ liệu: Chương 10, chương này cung cấp cho học viên những nội dung về: phân cụm; bài toán phân cụm; phân cụm dựa trên phân tách - k-Means; phân cụm phân cấp - HAC; học có giám sát (Supervised learning); học không có giám sát (Unsupervised learning);... Mời các bạn cùng tham khảo chi tiết nội dung bài giảng!

Bài giảng Khai phá dữ liệu trong kinh doanh - Chương 1: Tổng quan về khai phá dữ liệu trong kinh doanh. Chương này cung cấp cho học viên những kiến thức về: khai phá dữ liệu; khái niệm kho dữ liệu; một số mẫu dữ liệu trong kinh doanh cần khai phá; tầm quan trọng của khai phá dữ liệu trong kinh doanh; quy trình khai phá dữ liệu trong kinh doanh;... Mời các bạn cùng tham khảo!

Bài viết này đưa ra cách xây dựng một mô hình phân tích chi tiết về sự phân bổ của thị trường tại các quận trong thành phố Hà Nội sử dụng phương pháp phân cụm K-means và phân tích thành phần chính (PCA). Mời các bạn tham khảo!

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.

Đề tài “Phân tích dữ liệu sinh viên tốt nghiệp bằng phương pháp trực quan” được đặt ra nhằm tìm kiếm thông tin hữu ích liên quan đến việc hình thành hoặc bổ sung các thông tin hỗ trợ nâng cao chất lượng đào tạo của Trường.

Data mining là lĩnh vực đóng vai trò quan trọng trong việc phân tích và quản lý dữ liệu. Dựa vào đó chúng ta có thể đưa ra những dự đoán cho kế hoạch tương lai. Trong thời buổi công nghệ ngày càng phát triển như hiện nay, việc áp dụng khoa học công nghệ thông tin vào quá trình xử lý và phân tích dữ liệu là vô cùng cần thiết. Data mining chính là một trong số đó. Mời các bạn cùng tham khảo tài liệu để nắm chi tiết hơn các nội dung nghiên cứu.

Bài viết nghiên cứu phân khúc cụm khách hàng thông qua phương pháp phân cụm K-Means (K-Means clustering methods) của một cơ sở kinh doanh. Nghiên cứu được thực hiện trên 272 khách hàng với các đặc điểm về độ tuổi, thu nhập và điểm chi tiêu. Kết quả nghiên cứu đã chia thành 2 cụm khách hàng mục tiêu, hứa hẹn sẽ giúp việc chăm sóc, tiếp thị khách hàng hiệu quả hơn; giúp đơn vị kinh doanh có những chiến lược marketing phù hợp giảm chi phí và tăng hiệu quả.

To improve the clustering task on high dimensional data sets, the distance based k-means algorithm is proposed. The proposed algorithm is tested using eighteen sets of normal and non-normal multivariate simulation data under various combinations.

Bài giảng "Học máy - Bài 7: Học máy không giám sát" cung cấp cho người học các kiến thức: Phân tích cụm, phương pháp phân cấp, thuật toán K-means, khởi tạo tâm cụm, phân đoạn, nén ảnh,... Mời các bạn cùng tham khảo nội dung chi tiết.