واژگان کلیدی:

خوشه بندی مقید,خوشه بندی عمیق, شبکه عصبی عمیق, یادگیری عمیق, خودرمزگذار عمیق

Keywords:

Constrained clustering, Deep clustering, Deep learning, Deep neural networks, Deep autoencoder

فصل اول مقدمه

1-1- تعریف مسئله 2 1-2- چالش های خوشه بندی 2 1-3- چرا یادگیری عمیق برای ما اهمیت دارد؟ 4 1-4- نوآوری ها 6 1-5- ساختار پایان نامه 7

فصل دوم  مبانی نظری پژوهش

2-1- خوشه بندی 9 2-1-1- خوشه بندی سلسله مراتبی 10 2-1-2- روش های خوشه بندی افرازی 10 2-1-3- روش های خوشه بندی طیفی 11 2-1-4- روش های خوشه بندی مبتنی بر شبکه 11 2-1-5- روش های خوشه بندی مبتنی بر چگالی 12 2-2- خوشه بندی مقید 12 2-2-1- روش های مبتنی بر فاصله 15 2-2-2- روش های مبتنی بر قید 15 2-2-3- روش های مبتنی بر ارضای قید 16 2-3- مزایا و معایب خوشه بندی مقید 19 2-3-1- مزایای استفاده از قید در خوشه بندی 20 2-3-2- مشکلات استفاده از قید در خوشه بندی 21 2-4- شبکه عصبی 22 2-4-1- از نورون تا شبکه عصبی 25 2-4-2- الگوریتم انتشار رو به عقب 26 2-5- شبکه عصبی عمیق 30 2-5-1- شبکه های عصبی در هم تنیده 32 2-6- مدل های مولد عمیق 34 2-6-1- شبکه های خودرمزگذار 35

فصل سوم  کارهای انجام شده

3-1- شبکه خودرمزگذار رقابتی 38 3-1-1- شبکه مولد رقابتی 38 3-1-2- شبکه خودرمزگذار رقابتی 40 3-1-3- خوشه بندی با شبکه خودرمزگذار رقابتی 41 3-2- خوشه بندی یک طیفی مقید 43

فصل چهارم  راهکار پیشنهادی

4-1- مقدمه 45 4-2- DEC 46 4-2-1- خودرمزگذار پشته شده 47 4-2-2- Kullback-Leibler divergence (KL) 49 4-2-3- DEC مقدار دهی اولیه پارامترها 50 4-2-4- DEC خوشه بندی با معیار KL 52 4-3- تعریف مسئله 54 4-4- مدل پیشنهادی 54

فصل پنجم آزمایشات و نتایج

5-1- مجموعه داده ها 59 5-2- پیاده سازی 60 5-3- نتایج 61 5-4- داده های تولید شده 62 فصل ششم 70 نتیجه‌گیری و پیشنهاد‌ها 71 6-1- نتیجه گیری 71 6-2- کارهای آینده 72 منابع 73