Clustering (or cluster analysis) ai

Clustering (or cluster analysis) aims to organize a collection of data items
into clusters, such that items within a cluster are more “similar” to each other
than they are to items in the other clusters. This notion of similarity can be
expressed in very different ways, according to the purpose of the study, to
domain-specific assumptions and to prior knowledge of the problem.
Clustering is usually performed when no information is available concerning the membership of data items to predefined classes. For this reason,
clustering is traditionally seen as part of unsupervised learning. We nevertheless speak here of unsupervised clustering to distinguish it from a more recent
and less common approach that makes use of a small amount of supervision
to “guide” or “adjust” clustering (see section 2).
To support the extensive use of clustering in computer vision, pattern
recognition, information retrieval, data mining, etc., very many different
methods were developed in several communities. Detailed surveys of this
domain can be found in [25], [27] or [26]. In the following, we attempt to
briefly review a few core concepts of cluster analysis and describe categories
of clustering methods that are best represented in the literature. We also take
this opportunity to provide some pointers to more recent work on clustering

ผลลัพธ์ (ไทย) 1:

คลัสเตอร์ (หรือแบ่ง) มีวัตถุประสงค์ในการจัดระเบียบคอลเลกชันของรายการข้อมูลเป็นคลัสเตอร์ เช่นที่สินค้าภายในคลัสเตอร์จะขึ้น "คล้าย" กันกว่าจะได้สินค้าในกลุ่มอื่น ๆ ความคิดนี้ของความคล้ายคลึงกันได้แสดงในรูปแบบ different มาก ตามวัตถุประสงค์ของการศึกษา การโดเมน specific สมมติฐาน และความรู้เดิมของปัญหาคลัสเตอร์มักทำเมื่อไม่มีข้อมูลเกี่ยวกับสมาชิกของข้อมูลสินค้าที่ predefined เรียน ด้วยเหตุนี้ซึ่งเห็นการคลัสเตอร์เป็นส่วนหนึ่งของการเรียนรู้แบบ unsupervised เราแต่พูดนี่ของคลัสเตอร์ unsupervised จากล่าสุดเพิ่มเติมและวิธีน้อยทั่วไปที่ใช้ควบคุมจำนวน"แนะนำ" หรือ "ปรับปรุง" คลัสเตอร์ (ดูส่วนที่ 2)เพื่อสนับสนุนการใช้ของคลัสเตอร์ในคอมพิวเตอร์วิทัศน์ รูปแบบการรับรู้ การเรียกข้อมูล การทำเหมืองข้อมูล ฯลฯ different มากวิธีได้รับการพัฒนาในหลายชุมชน สำรวจรายละเอียดนี้โดเมนสามารถพบได้ใน [25], [27] หรือ [26] ในต่อไปนี้ เราพยายามที่จะbriefly กี่แนวคิดหลักของคลัสเตอร์วิเคราะห์ตรวจสอบ และอธิบายประเภทของคลัสเตอร์วิธีการที่จะแสดงในวรรณคดี เรายังมีโอกาสนี้เพื่อให้ตัวชี้บางล่าสุดงานในคลัสเตอร์

ผลลัพธ์ (ไทย) 3:

การจัดกลุ่ม ( หรือวิเคราะห์กลุ่ม ) มีวัตถุประสงค์เพื่อจัดระเบียบคอลเลกชันของรายการข้อมูล
ในกลุ่ม เช่น รายการภายในกลุ่มมากขึ้น " คล้าย " กัน
มากกว่าที่พวกเขามีกับสินค้าในกลุ่มอื่น ๆ แนวคิดของความเหมือนสามารถแสดงออกในมาก ดิ ff
erent วิธี ตามวัตถุประสงค์ของการศึกษา เพื่อ
โดเมน speci จึง C สมมติฐานและความรู้เดิมของปัญหา .
ปกติจะแสดงเมื่อข้อมูลยังไม่มีข้อมูลเกี่ยวกับการเป็นสมาชิกของรายการข้อมูลเพื่อ prede จึงลงเรียน ด้วยเหตุนี้
การจัดกลุ่มเป็นประเพณีที่เห็นเป็นส่วนหนึ่งของการเรียนรู้แบบไม่มีผู้สอน . เรายังคงพูดอยู่คนเดียวสามารถแยกแยะจากล่าสุดและวิธีการที่ทำให้
น้อยกว่าทั่วไปใช้จำนวนเล็ก ๆของการดูแล
" คู่มือ " หรือ " ปรับ " การจัดกลุ่ม ( ดูส่วนที่ 1 ) .
เพื่อสนับสนุนการใช้ที่กว้างขวางของข้อมูลในคอมพิวเตอร์วิสัยทัศน์ , รูปแบบ
ยอมรับสืบค้น ข้อมูลเหมืองแร่ ฯลฯ มาก มาก ดิ ff erent
วิธีการพัฒนาในชุมชนหลายแห่ง การสํารวจรายละเอียดของโดเมนนี้
สามารถพบได้ใน [ 25 ] , [ 27 ] หรือ [ 26 ] ในต่อไปนี้เราพยายาม