Применение искусственных нейронных сетей в задачах классификации
Кластерный анализ используется в различных областях. Это полезно, когда необходимо классифицировать большое количество информации, например, отсортировать большие объемы информации, например, обзор многих опубликованных исследований, проведенных с использованием кластерного анализа.Первоначально кластеризация наиболее широко использовалась в таких науках, как биология, антропология и психология. Долгое время кластеризация редко использовалась для решения экономических задач из-за характера экономических данных и явлений. Так, в медицине используется кластеризация болезней, лечение болезней или их симптомов, а также классификация больных, лекарств и т.д. В археологии сложилась классификация каменной кладки и древностей.
СОДЕРЖАНИЕ
Введение 4
1 Кластеризация 6
1.1 Основные понятия 6
1.2 Вектор характеристик 7
1.3 Меры расстояний 7
1.4 Классификация алгоритмов и объединение кластеров 9
1.5 Алгоритмы кластеризации 11
2 Математические основы 17
2.1 Обзор применения МГК в современных исследованиях 17
2.2 Нейрон 23
2.3 Введение в сверточные нейронные сети 40
3 Программная реализация 50
3.1 Пример данных с рукописными цифрами 50
3.2 Результаты выполнения программы 59
Заключение 61
Список использованных источников 62
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ
Neural Networks and Learning Machines, Simon Haykin, 2011.
Hacker's guide to Neural Networks, Andrej Karpathy, 2014.
Neural Networks and Deep Learning, Michael Nielsen, 2019.
A Brief Introduction to Neural Networks, David Kriesel, 2007.
Make your own neural network, Tariq Rashid, 2016.
Кластеризация (или кластерный анализ) — это задача разделения набора объектов на группы. Внутри каждой группы должны оказаться похожие друг на друга объекты, а объекты разных групп должны максимально отличаться друг от друга. Основное различие между кластеризацией и классификацией состоит в том, что перечень групп четко не задан и определяется в процессе работы алгоритма. Эти группы называются кластерами.Кластер – это группа точек данных, которые похожи друг на друга на основе их отношения к окружающим точкам данных.Объект – элементарный набор данных, с которым работает алгоритм кластеризации.Для каждого объекта определяются параметры, описывающие его, которые объединяются в вектор характеристик x = (x1, x2, ..., xm) , где m – размерность пространства характеристик, а xi – отдельная характеристика объекта (качественная или количественная).Меру сходства двух объектов d (u, v) вычисленную по заданной метрике будем называть расстоянием между объектами, где u, v – элементы множества.