معرفی دوره: خوشهبندی خودکار با الگوریتم فراابتکاری وال یا نهنگ (WOA) و متلب MATLAB
این دوره به ارائه راهکارهایی برای بهبود فرآیند خوشهبندی دادهها با استفاده از ترکیب الگوریتم فراابتکاری وال (Whale Optimization Algorithm – WOA) و الگوریتم k-means میپردازد. با تمرکز بر چالشهای موجود در الگوریتمهای خوشهبندی، به ویژه الگوریتم k-means، شما خواهید آموخت که چگونه از قدرت الگوریتم WOA برای بهبود عملکرد خوشهبندی استفاده کنید. علاوه بر این، در این دوره اصول و مکانیزم عملکرد الگوریتم WOA بهصورت کامل آموزش داده میشود.
اهداف دوره:
- بررسی چالشهای الگوریتمهای خوشهبندی، بهویژه k-means.
- آشنایی کامل با الگوریتم WOA و کاربرد آن در خوشهبندی خودکار.
- استفاده از WOA برای بهبود مقداردهی اولیه و حل مشکلات الگوریتم k-means.
- پیادهسازی ترکیب WOA و k-means در متلب و تحلیل نتایج.
سرفصلهای دوره:
1. مروری بر الگوریتمهای خوشهبندی (Clustering Algorithms):
- تعریف خوشهبندی و کاربردها.
- معرفی الگوریتم k-means و محدودیتهای آن.
2. چالشهای الگوریتم k-means در خوشهبندی:
- حساسیت به مقداردهی اولیه.
- گیر افتادن در بهینههای محلی.
- مشکل تعیین تعداد خوشهها.
3. معرفی الگوریتم وال (WOA) برای خوشهبندی خودکار:
- مکانیزم عملکرد WOA در بهینهسازی.
- مراحل الگوریتم WOA: شکار طعمه، محاصره و مهاجرت.
- استفاده از WOA برای تعیین تعداد خوشهها و مقداردهی اولیه.
4. پیادهسازی ترکیب k-means و WOA در متلب (MATLAB):
- آمادهسازی دادهها برای خوشهبندی.
- کدنویسی ترکیب WOA و k-means.
- تحلیل نتایج خوشهبندی.
5. معیارهای ارزیابی کیفیت خوشهبندی (Clustering Evaluation Metrics):
- این الگوریتم برای ارزیابی کیفیت خوشهبندی از یک شاخص نسبتبندی مبتنی بر فاصلههای درونخوشهای و بینخوشهای استفاده میکند. شاخص استفادهشده، ترکیبی از فاصلههای درونخوشهای (Intra-cluster Distances) و فاصلههای بینخوشهای (Inter-cluster Distances) است. جزئیات عملکرد این شاخص به شرح زیر است:
فاصلههای درونخوشهای (Intra-cluster Distances):
- هدف: کاهش فاصلههای بین نقاط داخل هر خوشه.
- محاسبه برای هر خوشه:
- ابتدا نقاط مربوط به هر خوشه شناسایی میشوند.
- سپس فاصلههای اقلیدسی بین تمام نقاط هر خوشه و میانگین آنها (میانگین فاصلهها) محاسبه میشود.
- در صورتی که خوشهای خالی باشد، مقدار خطای بزرگی به آن نسبت داده میشود (
10 * norm(max(X)-min(X))).
- خروجی: مجموع فاصلههای محاسبهشده برای تمام خوشهها به عنوان dx ذخیره میشود.
فاصلههای بینخوشهای (Inter-cluster Distances):
- هدف: افزایش فاصلههای بین خوشهها.
- فاصلههای اقلیدسی بین مراکز خوشهها (Centroids) محاسبه میشوند.
- کوچکترین فاصله برای هر مرکز خوشه محاسبه شده و مجموع این فاصلهها
6. تحلیل نتایج و مقایسه:
- بررسی تأثیر الگوریتم WOA بر بهبود کیفیت خوشهبندی.
- مقایسه عملکرد الگوریتم WOA-k-means با الگوریتم k-means استاندارد.
- تحلیل نقاط قوت و ضعف روشهای مختلف.
خروجیها و دستاوردهای دوره:
- آشنایی کامل با الگوریتم وال (WOA): یادگیری اصول و مکانیزم عملکرد این الگوریتم فراابتکاری.
- پیادهسازی الگوریتمهای ترکیبی: توانایی ترکیب WOA با k-means برای بهبود خوشهبندی دادهها.
مدرس حسن سعادتمند:
• بیش از 250 دوره آموزشی در متلب و پایتون
• بیش از 15 سال تجربه در زمینه تدریس
LinkedIn , Google Scholar, ResearchGate
لینکهای ارتباطی و آموزشی
- کانال تلگرام: t.me/matlabanyone
- آی دی تلگرام: t.me/hassan_saadatmand
- ایمیل: h.saadatmand22@yahoo.com
- وبسایت: www.matlablearning.com
- تلفن: 09155137038
- مدت زمان دوره 3 ساعت
دوستانی که تمایل دارند این دوره را در پایتون Python داشته باشند با مدرس در ارتباط باشند.
نقد و بررسیها
هنوز بررسیای ثبت نشده است.