در این فایل تشریح کامل الگوریتم های deep Clustering و deep classification است . این پژوهش به صورت کامل دو الگوریتم مورد آنالیز قرار گرفته و به صورت قابل ویرایش و فایل ورد در ۳۳ صفحه قابل دانلود می باشد.

deep clustering و deep classification دو الگوریتم برای آنالیز دیتا و داده کاوی مورد استفاده قرا می گیرد. deep clustering و deep classification دو مفهوم برای خوشه بندی داده های مورد نظر و همچنین طبقه بندی آنها است. باماسل در این پژوهش سعی دارد این دو الگوریتم پرکاربرد را به صورت کامل به شما آموزش دهد. پس با ما همراه باشید.

deep Clustering:

روزانه حجم عظیمی از داده ها تولید می شود. اگرچه یادگیری نظارت شده هسته اصلی موفقیت اخیر یادگیری عمیق بوده است، یادگیری بدون نظارت این پتانسیل را دارد که با این در دسترس بودن روزافزون داده ها مقیاس شود، زیرا نیاز به دستکاری دقیق و حاشیه نویسی مجموعه داده های آموزشی را کاهش می دهد.
خوشه بندی یکی از روش های اساسی کشف دانش بدون نظارت است. هدف آن این است که نقاط داده مشابه را بدون نظارت یا دانش قبلی از ماهیت خوشه ها گروه بندی کنیم. جنبه‌های مختلف خوشه‌بندی مانند معیارهای فاصله، انتخاب ویژگی، روش‌های گروه‌بندی و غیره از زمان پیدایش تحلیل خوشه‌ای در دهه ۱۹۳۰ به طور گسترده مورد مطالعه قرار گرفته‌اند. به دلیل اهمیت آن در درک اکتشافی داده ها، خوشه بندی همیشه یک زمینه فعال تحقیق بوده است.
با موفقیت گسترده یادگیری عمیق در مسائل نظارت شده و بدون نظارت، بسیاری از کارهای اخیر در مورد خوشه بندی بر روی استفاده از شبکه های عصبی عمیق متمرکز شده است – اغلب، این جفت شدن معمولاً به عنوان خوشه بندی عمیق نامیده می شود.

deep classification:

امروز، ما بر نحوه حل مسائل طبقه بندی[۱] در یادگیری عمیق با Tensorflow و Keras تمرکز خواهیم کرد.

وقتی مدلی را در شبکه‌های عصبی عمیق طراحی می‌کنیم، باید بدانیم که چگونه رمزگذاری برچسب، فعال‌سازی، و توابع از دست دادن مناسب را به همراه معیارهای دقت با توجه به وظیفه طبقه‌بندی در دست انتخاب کنیم.

بنابراین در این بخش ابتدا به بررسی انواع مسائل طبقه بندی می پردازیم. سپس، ما بیشترین استفاده از رمزگذاری برچسب ها را در Keras خواهیم دید. ما یاد خواهیم گرفت که چگونه توابع فعال سازی و از دست دادن را با توجه به نوع طبقه بندی داده شده و رمزگذاری برچسب انتخاب کنیم. علاوه بر این، جزئیات معیارهای دقت را در TensorFlow / Keras بررسی خواهیم کرد.

فهرست مطالب deep clustering و deep classification:

• deep Clustering:
• مقدمه: ۵
• چارچوب خوشه بندی عمیق ۵
• معماری شبکه عصبی عمیق ۶
• Loss Functions 6
• Network Loss 7
• Clustering Loss 7
• معیارهای عملکرد ۸
• دقت خوشه‌بندی بدون نظارت (ACC) 8
• اطلاعات متقابل عادی (NMI) 8
• شاخص رند تنظیم شده (ARI) 9
• رویکردهای کنونی در خوشه بندی عمیق ۹
• مبتنی بر AutoEncoders 9
• یادگیری فضای جاسازی برای خوشه بندی از بازنمایی های عمیق ۱۰
• دقت خوشه بندی (ACC): 11
• خوشه بندی عمیق تعبیه شده (DEC) 12
• دقت خوشه بندی ۱۲
• خوشه بندی تقویت شده (DBC) 13
• دقت خوشه بندی (ACC): 13
• شبکه خوشه‌بندی عمیق (DCN) 13
• دقت خوشه بندی (ACC): 14
• خوشه بندی منظم تعبیه شده عمیق (تصویر) ۱۴
• دقت خوشه بندی (ACC): 15
• مدل مولد مبتنی بر ۱۵
• جابجایی عمیق تنوع ۱۵
• دقت خوشه بندی (ACC): 16
• اطلاعات به حداکثر رساندن شبکه های پیشرفته تولیدی (Infogan) 17
• بهینه سازی خودکار خوشه ای ۱۷
• یادگیری غیرقابل پیش بینی (JULE) 18
• دقت خوشه بندی (ACC): 18
• خوشه بندی تصویر انطباق عمیق (DAC) 19
• اطلاعات به حداکثر رساندن آموزش خودپرداز (IMSAT) 20
• دقت خوشه بندی (ACC): 20
• نتیجه گیری: ۲۰
• فواید ۲۰
• ابعاد بالا ۲۰
• پایان دادن به چارچوب پایان ۲۱
• مقیاس پذیری ۲۱
• چالش ها ۲۱
• پارامترهای بیش از حد ۲۱
• عدم تفسیر پذیری ۲۲
• فقدان چارچوب نظری ۲۲
• deep classification : 23
• انواع وظایف طبقه بندی ۲۳
• انواع توابع فعال سازی برای وظایف طبقه بندی ۲۵
• تابع Softmax: 26
• نکات مهم: ۲۹
• یک مثال ساده: ۳۱
• منابع:

[۱] Classification

مطالعه بیشتر