Vamos mostrar aqui a teoria básica do assunto e os principais algoritmos. Em próximos artigos, vamos enviar a teoria e implementação de cada um deles.
Há também o clustering que se refere a elaboração e montagem de clusters de computadores. Grandes redes de máquinas que trabalham como uma só. Subárea de sistemas distribuídos. Aqui estamos lidando com uma subárea de inteligência artificial.
Clustering é uma das principais áreas da mineração de dados e uma técnica muito comum para análise de dados estatísticos em muitas áreas, como aprendizado de máquina, reconhecimento de padrões, análise de imagens, recuperação de informação e bioinformática.
A análise de clusters não é um algoritmo específico, mas uma classe de problemas a serem resolvidos por vários algoritmos que diferem muito entre si, tanto na maneira de como formam os clusters, quanto na eficiência que o fazem. Dentre as maneiras mais comuns de se formar grupos podemos citar menor distância entre os membros do cluster, áreas mais densas na distribuição espacial, intervalos ou distribuições estatísticas específicas. Clustering pode ser formulado como um problema de otimização com múltiplos objetivos. Onde o algoritmo a se escolher e seus parâmetros (valores como a função de distância, o limiar de densidade ou o número esperado de clusters) dependem dos dados e do tipo de resultado procurado. Além de o próprio algoritmo poder ser considerado
Há também o clustering que se refere a elaboração e montagem de clusters de computadores. Grandes redes de máquinas que trabalham como uma só. Subárea de sistemas distribuídos. Aqui estamos lidando com uma subárea de inteligência artificial.
O que é clustering?
Clustering, análise de clusters (grupos) ou agrupamento é a tarefa de inserir objetos dispersos em grupos (chamados de clusters) de forma que os objetos no mesmo cluster sejam mais similares - segundo algum critério definido no caso - entre si do que entre os objetos em outros clusters.
Clustering é uma das principais áreas da mineração de dados e uma técnica muito comum para análise de dados estatísticos em muitas áreas, como aprendizado de máquina, reconhecimento de padrões, análise de imagens, recuperação de informação e bioinformática.A análise de clusters não é um algoritmo específico, mas uma classe de problemas a serem resolvidos por vários algoritmos que diferem muito entre si, tanto na maneira de como formam os clusters, quanto na eficiência que o fazem. Dentre as maneiras mais comuns de se formar grupos podemos citar menor distância entre os membros do cluster, áreas mais densas na distribuição espacial, intervalos ou distribuições estatísticas específicas. Clustering pode ser formulado como um problema de otimização com múltiplos objetivos. Onde o algoritmo a se escolher e seus parâmetros (valores como a função de distância, o limiar de densidade ou o número esperado de clusters) dependem dos dados e do tipo de resultado procurado. Além de o próprio algoritmo poder ser considerado
