مروری بر الگوریتم‌های خوشه‌بندی در داده‌های کلان

در سال‏های اخیر خوشه‌بندی در علوم مختلف به طور گسترده‌ای مورد توجه قرار گرفته است و دانشمندان هر حوزه از روش‌های خوشه‌بندی، جهت گروه‌بندی داده‌های موجود استفاده می‌کنند. خوشه‌بندی برای یادگیری بدون نظارت با ارائه معیارهایی برای تعیین مشابه یا غیرمشابه بودن دو شی مختلف مورد استفاده قرار می‌گیرد. این روش، نمونه‌ی داده‌ها را در زیر مجموعه‌هایی با نمونه‌های مشابه گروه‌بندی می‏کنند. بنابراین، نمونه‌ها در خوشه‌بندی با روش‌های سلسله مراتبی، پارتیشن‌بندی، مبتنی بر چگالی، مبتنی بر مدل، مبتنی بر شبکه و محاسبات نرم و ... یک نمایش کارآمد سازماندهی شده را برای جمعیت نمونه‌گیری شده مشخص می‌کند.

a review of clustering algorithms in big data

clustering has received widespread attention in recent years, with scientists in all fields using clustering methods to group available data. clustering is an unsupervised learning method that provides criteria for determining whether two different objects are similar or dissimilar. it groups data samples into subsets with similar samples, resulting in an efficient and organized representation of the sampled population. clustering methods include hierarchical, partitioning, density-based, model-based, network-based, and soft computing methods.