يتم اعتماد القيمة المتوسطة لأغراض العنقود كممثل له حتى ولو لم تتطبق هذه القيمة على أحد الأغراض التي تنتمي إلى العنقود
Anonymous Quiz
91%
خوارزمية K- means
9%
خوارزمية K - medoids
0%
خوارزمية DBSCAN
يتم تمثيل العنقود بأحد الأغراض التي تنتمي إليه وهي النقطة الأقرب من مركز العنقود
Anonymous Quiz
100%
خوارزمية K - medoids
0%
خوارزمية K- means
0%
خوارزمية DBSCAN
تعتمد على التحليل الهرمي من ( الأعلى إلى الأسفل )
Anonymous Quiz
9%
خوارزمية عنقدة هرمية تجميعية agglomerative
91%
خوارزمية عنقدة هرمية تقسيمية divisive
0%
خوارزمية DBSCAN
تعتمد على التحليل الهرمي من ( الأسفل إلى الأعلى )
Anonymous Quiz
100%
خوارزمية عنقدة هرمية تجميعية agglomerative
0%
خوارزمية عنقدة هرمية تقسيمية divisive
0%
خوارزمية DBSCAN
من الخوارزميات الشهيرة التي تنتمي لخوارزميات العنقدة بالاعتماد على الكثافة
Anonymous Quiz
91%
خوارزمية DBSCAN
9%
خوارزمية K - medoids
0%
خوارزمية عنقدة هرمية تقسيمية divisive
تعمل خوارزمية DBSCAN على اكتشاف بدايات المناطق الكثيفة ثم زيادة حجمها أو توسيعها بالاستناد على معيار الكثافة
Anonymous Quiz
100%
صح
0%
خطأ
من الفوائد الأساسية للعنقدة بالكثافة أنها تستطيع عزل البيانات الشاذة واكتشاف العناقيد مهما كان شكلها أو كانت متداخلة بشكل كبير
Anonymous Quiz
100%
صح
0%
خطأ
[مهم أعادة ترتيب المعلومات ]
■ خوارزمية العنقدة بالتقسيم لها نوعان
● خوارزمية النقطة الوسطى K-means
● خوارزمية K-medoids
■ خوارزميات العنقدة الهرمية
● خوارزمية عنقدة هرمية تجميعية agglomerative
● خوارزمية عنقدة هرمية تقسيمية divisive
■ خوارزميات العنقدة بالاعتماد على الكثافة
● خوارزمية DBSCAN
■ خوارزمية العنقدة بالتقسيم لها نوعان
● خوارزمية النقطة الوسطى K-means
● خوارزمية K-medoids
■ خوارزميات العنقدة الهرمية
● خوارزمية عنقدة هرمية تجميعية agglomerative
● خوارزمية عنقدة هرمية تقسيمية divisive
■ خوارزميات العنقدة بالاعتماد على الكثافة
● خوارزمية DBSCAN
السؤال يلي ممكن يجي مثلا مقارنة بيناتن أول شي حطو نقطة مهمة ببالكم شرح بسيط كرمال اذا اجا نتذكر
■ ( العنقدة بالتقسيم ) تقوم بتقسيم البيانات متل ما حكينا سابقا وهي بتنقل الأغراض من عنقود إلى آخر حتى تصبح الأغراض بكل عنقود متشابهة فيما بينها أكثر وتكون الأغراض في عناقيد أخرى مختلفة ذات درجة اختلاف عالية فيما بينها.
■ ( خوارزميات العنقدة الهرمية ) :
تقوم باكتشاف العنقودين الأقرب لبعضهما ودمج العنقودين الأكثر قرباً أو تشابهاً في عنقود واحد .
■ ( الخوارزميات المعتمدة على الكثافة )
تقوم باكتشاف العناقيد مهما كان شكلها معقداً أو متداخلاً فيما بينها
تناسب مسائل اكتشاف القيم الشاذة بالإضافة إلى اكتشاف الأشكال العشوائية أو المتداخلة .
● ونحنا حافظين كل خوارزمية شو بتحتوي أنواع يعني اذا جاب سؤال متل سؤال الدورة S23
عند المقارنة بين dbscan و K-means نحدد أن ::
1- كلا الخوارزميتين تستطيع اكتشاف العناقيد المتداخلة ( خطأ )
dbscan لاكتشاف التداخل
K-means لاكتشاف التشابه
2 - كلا الخوارزميتين لا تستطيع اكتشاف العناقيد
( خطأ )
3 - خوارزمية dbscan تستطيع اكتشاف العناقيد المتداخلة بينما K-means لا تستطيع ( صح )
4- خوارزمية K-means تستطيع اكتشاف البيانات المتداخلة بينما dbscan لا تستطيع
(خطأ )
تماما هيك ممكن يجي السؤال شوية تركيز بينحل
■ ( العنقدة بالتقسيم ) تقوم بتقسيم البيانات متل ما حكينا سابقا وهي بتنقل الأغراض من عنقود إلى آخر حتى تصبح الأغراض بكل عنقود متشابهة فيما بينها أكثر وتكون الأغراض في عناقيد أخرى مختلفة ذات درجة اختلاف عالية فيما بينها.
■ ( خوارزميات العنقدة الهرمية ) :
تقوم باكتشاف العنقودين الأقرب لبعضهما ودمج العنقودين الأكثر قرباً أو تشابهاً في عنقود واحد .
■ ( الخوارزميات المعتمدة على الكثافة )
تقوم باكتشاف العناقيد مهما كان شكلها معقداً أو متداخلاً فيما بينها
تناسب مسائل اكتشاف القيم الشاذة بالإضافة إلى اكتشاف الأشكال العشوائية أو المتداخلة .
● ونحنا حافظين كل خوارزمية شو بتحتوي أنواع يعني اذا جاب سؤال متل سؤال الدورة S23
عند المقارنة بين dbscan و K-means نحدد أن ::
1- كلا الخوارزميتين تستطيع اكتشاف العناقيد المتداخلة ( خطأ )
dbscan لاكتشاف التداخل
K-means لاكتشاف التشابه
2 - كلا الخوارزميتين لا تستطيع اكتشاف العناقيد
( خطأ )
3 - خوارزمية dbscan تستطيع اكتشاف العناقيد المتداخلة بينما K-means لا تستطيع ( صح )
4- خوارزمية K-means تستطيع اكتشاف البيانات المتداخلة بينما dbscan لا تستطيع
(خطأ )
تماما هيك ممكن يجي السؤال شوية تركيز بينحل
تزداد صعوبة اكتشاف العناقيد عند زيادة عدد الأبعاد حيث تلعب الأبعاد دوراً سلبياً وقد يؤدي إلى اكتشاف عناقيد غير صحيحة
Anonymous Quiz
100%
صح
0%
خطأ
المنهجيات الخاصة بالعنقدة بالفضاء المتعدد الأبعاد
Anonymous Quiz
0%
Apriori
0%
Clique
10%
Proclus
0%
SVM
10%
1 & 2 & 3
80%
2 & 3
0%
3 & 4
هي خوارزمية مقترحة لعنقدة فضاء جزئي متنامي الأبعاد ضمن فضاء كثير الأبعاد
Anonymous Quiz
90%
Clique
10%
Proclus
0%
dbscan
تعتمد خوارزمية Clique على تقليل الأبعاد لفضاء البيانات التي ننفذ عملية العنقدة لها
Anonymous Quiz
60%
صح
40%
خطأ
تتكون خوارزمية Proclus من عدة مراحل
Anonymous Quiz
0%
التحسين
0%
التهيئة
0%
التكرار
0%
صقل العنقود
10%
1 & 2 & 3
90%
2 & 3 & 4
0%
1 & 3 & 4
تُستخدم خوارزمية جشعة greedy algorithm لتحديد مجموعة من الأغراض في المرحلة
Anonymous Quiz
0%
التحسين
90%
التهيئة
10%
صقل البيانات
تختار الخوارزمية مجموعة عشوائية من الأغراض k و تستبدل مراكز العناقيد السابقة بمراكز جديدة في المرحلة
Anonymous Quiz
10%
التهيئة
80%
التكرار
10%
صقل البيانات
تحسب الأبعاد الجديدة لكل مركز بناءً على العناقيد الموجودة وتعيد تعيين النقاط إلى المتوسطات وتزيل القيم الشاذة
Anonymous Quiz
0%
مرحلة التهيئة
100%
مرحلة صقل البيانات
0%
مرحلة التكرار
هذه الخوارزمية فعالة في التنقيب على عناقيد متعددة الأبعاد
Anonymous Quiz
91%
PROCLUS
9%
CLIQUE
0%
GREED Algorithm
السؤال يلي اجا عن الدعم
كان عاطي المجموعات والسؤال كتير سهل لا حساب ولا شي
C=80%
عندك حليب وسكر
والدعم 5%
السؤال بمعنى شو يعني الدعم للمجوعة كذا هوي 5%
ضمن الاجابات
انو 5% من فواتير الزبائن تحوي حليب وسكر معا
كان عاطي المجموعات والسؤال كتير سهل لا حساب ولا شي
C=80%
عندك حليب وسكر
والدعم 5%
السؤال بمعنى شو يعني الدعم للمجوعة كذا هوي 5%
ضمن الاجابات
انو 5% من فواتير الزبائن تحوي حليب وسكر معا