мл. науч. сотр. отдела нейроинформатики и машинного обучения
Junior Researcher, Department of Neuroinformatics and Machine Learning
The paper considers intelligent methods of data clustering. In recent years there has been an increase in the amount of data to be analyzed in various fields. As a result, there is a growing need for more efficient data clustering methods. Data clustering methods can be divided into two main categories: hierarchical and non-hierarchical. Hierarchical clustering methods build a tree of clusters, starting with each object in a separate cluster and then merging close clusters until there is one cluster containing all objects. Non-hierarchical clustering methods determine the number of clusters in advance and group objects according to their similarities and differences. Data clustering methods is one of the most important areas of machine learning, which allows grouping data according to their features and characteristics.
В данной работе рассматриваются интеллектуальные методы кластеризации данных. В последние годы наблюдается увеличение количества данных, которые подлежат анализу в различных областях. В связи с этим возрастает потребность в более эффективных методах кластеризации данных. Методы кластеризации данных можно разделить на две основные категории: иерархические и неиерархические. Иерархические методы кластеризации строят дерево кластеров, начиная с каждого объекта в отдельном кластере, а затем объединяют близкие кластеры, пока не останется один кластер, содержащий все объекты. Неиерархические методы кластеризации определяют число кластеров заранее и группируют объекты в соответствии с их сходством и различиями. Методы кластеризации данных – это одна из важнейших областей машинного обучения, которая позволяет группировать данные в соответствии с их признаками и характеристиками. Кластеризация данных является одним из основных методов анализа данных и находит широкое применение во многих областях, включая биологию, медицину, экономику, социологию и другие.