δείτε την πρωτότυπη σελίδα τεκμηρίου στον ιστότοπο του αποθετηρίου του φορέα για περισσότερες πληροφορίες και για να δείτε όλα τα ψηφιακά αρχεία του τεκμηρίου*
Python based study of clustering algorithms
(EL)
Μελέτη αλγορίθμων ομαδοποίησης σε περιβάλλον προγραμματισμού Python
(EL)
Cluster analysis is the field of unsupervised learning that includes processes which divide data into groups according to a proximity measure. We briefly review the theoretical foundations of the field and provide a description of the programming concepts and tools used throughout this study. We also describe, build and use statistical techniques and indices suitable for the evaluation of clustering results. We implement seven different data clustering algorithms which can be organized into three different categories and test each one of them on three different datasets of synthetic data. In the final chapter, which can be considered a second distinctive part, we apply some of these algorithms combined together to accomplish image segmentation analysis tasks. We execute our algorithms on a set of images and measure the performance of those clustering-based segmentation results with reference to human made segmentation. We finally propose and construct a merging technique based on depth first search algorithm that when applied to an already clustered image, raises the performance dramatically.
(EL)
Η ανάλυση συστάδων είναι ο τομέας εκείνος της χωρίς επίβλεψη μηχανικής μάθησης που περιλαμβάνει διαδικασίες διαχωρισμού δεδομένων σε ομάδες σύμφωνα με κάποιο μέτρο εγγύτητας. Συνοπτικά εξετάζουμε το θεωρητικό υπόβαθρο του τομέα αυτού και παρέχουμε μία περιγραφή των εννοιών και των εργαλείων που χρησιμοποιούνται στην παρούσα εργασία. Επίσης περιγράφουμε και υλοποιούμε στατιστικές τεχνικές και δείκτες κατάλληλους για την αξιολόγηση των αποτελεσμάτων διαχωρισμού σε συστάδες. Υλοποιούμε εφτά διαφορετικούς αλγορίθμους ανάλυσης συστάδων που δύνανται να οργανωθούν σε τρεις διαφορετικές κατηγορίες και εξετάζουμε κάθε έναν από αυτούς σε τρία διαφορετικά σύνολα τεχνητά δημιουργηθέντων δεδομένων. Στο τελευταίο κεφάλαιο, που μπορεί να θεωρηθεί ως δεύτερο ξεχωριστό μέρος, εφαρμόζουμε κάποιους από τους υλοποιημένους αλγορίθμους συνδυαστικά μεταξύ τους, στον τομέα της ανάλυσης κατάτμησης εικόνας. Εκτελούμε τους αλγόριθμους μας πάνω σε ένα σετ από εικόνες και μετράμε την απόδοση των αποτελεσμάτων μας με βάση αναφοράς τα αποτελέσματα που έχουν προκύψει από την κατάτμηση που πραγματοποίησε κάποιος άνθρωπος στην ίδια εικόνα, χρησιμοποιώντας μόνο την αίσθηση της όρασής του. Τέλος, προτείνουμε και υλοποιούμε μία τεχνική ενοποίησης βασισμένη στον αλγόριθμο αναζήτησης κατά βάθος η οποία όταν εφαρμόζεται σε μία εικόνα ήδη χωρισμένη σε συστάδες, αυξάνει δραματικά την απόδοση του αποτελέσματος.
(EL)
*Η εύρυθμη και αδιάλειπτη λειτουργία των διαδικτυακών διευθύνσεων των συλλογών (ψηφιακό αρχείο, καρτέλα τεκμηρίου στο αποθετήριο) είναι αποκλειστική ευθύνη των αντίστοιχων Φορέων περιεχομένου.
Μελέτη αλγορίθμων ομαδοποίησης σε περιβάλλον προγραμματισμού Python
Μελέτη αλγορίθμων ομαδοποίησης σε περιβάλλον προγραμματισμού Python
Βοηθείστε μας να κάνουμε καλύτερο το OpenArchives.gr.
Πανεπιστήμιο Πειραιώς
