Ομαδοποίηση εικόνων / πολυδιάστατων δεδομένων με τον αλγόριθμο markov clustering (MCL)
Η ομαδοποίηση δεδομένων αποτελεί ένα από τα αναπτυσσόμενα πεδία έρευνας στον τομέα της μηχανικής μάθησης και της εξόρυξης δεδομένων λόγω της εφαρμογής της σε πληθώρα προβλημάτων. Η εκτεταμένη ανάγκη για ομαδοποίηση σε διάφορες εφαρμογές οδήγησε αναπόφευκτα στη δημιουργία πολλών αλγορίθμων, ο καθένας...
Κύριος συγγραφέας: | |
---|---|
Άλλοι συγγραφείς: | |
Μορφή: | Thesis |
Γλώσσα: | Greek |
Έκδοση: |
2019
|
Θέματα: | |
Διαθέσιμο Online: | http://hdl.handle.net/10889/12543 |
id |
nemertes-10889-12543 |
---|---|
record_format |
dspace |
spelling |
nemertes-10889-125432022-09-05T20:13:10Z Ομαδοποίηση εικόνων / πολυδιάστατων δεδομένων με τον αλγόριθμο markov clustering (MCL) Image clustering / multidimensional data with markov clustering algorithm (MCL) Ντζούφρα, Θεοδώρα Φωτόπουλος, Σπύρος Φωτόπουλος, Σπύρος Οικονόμου, Γεώργιος Μπακάλης, Δημήτριος Ntzoufra, Theodora Ομαδοποίηση εικόνων Αλγόριθμοι Εικόνες Πολυδιάστατα δεδομένα Γράφοι Image clustering Algorithms Images Multidimensional data Graphs Markov clustering (MCL) 621.367 Η ομαδοποίηση δεδομένων αποτελεί ένα από τα αναπτυσσόμενα πεδία έρευνας στον τομέα της μηχανικής μάθησης και της εξόρυξης δεδομένων λόγω της εφαρμογής της σε πληθώρα προβλημάτων. Η εκτεταμένη ανάγκη για ομαδοποίηση σε διάφορες εφαρμογές οδήγησε αναπόφευκτα στη δημιουργία πολλών αλγορίθμων, ο καθένας από τους οποίους έχει σχεδιασθεί με σκοπό να αποδίδει καλύτερα σε συγκεκριμένο τύπο προβλημάτων. Σε αρκετά προβλήματα Βιοπληροφορικής, οι οντότητες των δεδομένων που εμπλέκονται μπορούν να αναπαρασταθούν αποδοτικά και αποτελεσματικά μέσω γράφων, ως μια συλλογή από κόμβους και ακμές. Ένας από τους πιο γνωστούς αλγορίθμους που χρησιμοποιείται σε τέτοια προβλήματα είναι ο Markov Clustering Algorithm (MCL). Στην παρούσα διπλωματική εργασία,εφαρμόζουμε τον Αλγόριθμο Markov Clustering (MCL) σε διαφορετικές βάσεις δεδομένων (Ιris flower data set & ShapeDNA_Shrec 11) αλλά και σε απλούς γράφους με σκοπό την ομαδοποίηση των αρχικών μας δεδομέων. Στο πρώτο κεφάλαιο, αναφέρουμε τις μεθόδους ομαδοποίησης. Δηλαδή, κάνουμε μια εισαγωγή στην ομαδοποίηση, στον ορισμό της και στις τεχνικές της.Γίνετε αναφορά στον αλγόριθμο k-means, fuzzy c-means, spectral clustering και στα μέτρα ομοιότητας και απόστασης. Στο δεύτερο κεφάλαιο, γίνετε αναφορά στον αλγόριθμο MCL.Δηλαδή, στον ορισμό του, στις βασικές διαδικασίες, στα στάδιά και στην πολυπλοκότητά του. Στο κεφάλαιο αυτό, παρουσιάζονται και τα δύο απλά παραδείγματα των γράφων μέσω του προγράμματος Matlab. Στο τρίτο κεφάλαιο, παρουσιάζουμε τα πειραματικά αποτελέσματα. Δηλαδή, τα πειραματικά δεδομένα, τους κώδικες Matlab και τα αποτελέσματα που προκύπτουν. Στο τέταρτο και τελευταίο κεφάλαιο παρουσιάζουμε τα συμπεράσματα. Data clustering is one of the advancing research fields of machine learning and data mining due to the variety of problems that currently exist. The increasing need for clustering in several applications has inevitably driven the creation of many different algorithms, each designed to perform more efficiently in solving certain types of problems. In many Bioinformatics problems, the data entities involved can be portrayed effectively by graphs, as a collection of nodes and edges. One of the best known algorithms for such problems is the Markov Cluster Algorithm (MCL). In this diploma thesis, we apply the Markov Clustering algorithm (MCL) to different databases (Iris flower data set & ShapeDNA_Shrec 11) as well as simple graphs to clustering our original data. In the first chapter, we mention clustering methods. That is, we make an introduction to clustering, its definition and its techniques. Refer to k-means algorithm, fuzzy c-means algorithm, spectral clustering, and similarity and distance measures. In the second chapter, reference is made to the MCL algorithm. That is, in its definition, in the basic procedures, its stages and its complexity. In this chapter, both simple examples of graphs are presented through the Matlab program. In the third chapter, we present the experimental results. That is, the experimental data, the Matlab codes and the resulting results. In the fourth and final chapter we present the conclusions. 2019-09-26T21:16:48Z 2019-09-26T21:16:48Z 2019-04-16 Thesis http://hdl.handle.net/10889/12543 gr 0 application/pdf |
institution |
UPatras |
collection |
Nemertes |
language |
Greek |
topic |
Ομαδοποίηση εικόνων Αλγόριθμοι Εικόνες Πολυδιάστατα δεδομένα Γράφοι Image clustering Algorithms Images Multidimensional data Graphs Markov clustering (MCL) 621.367 |
spellingShingle |
Ομαδοποίηση εικόνων Αλγόριθμοι Εικόνες Πολυδιάστατα δεδομένα Γράφοι Image clustering Algorithms Images Multidimensional data Graphs Markov clustering (MCL) 621.367 Ντζούφρα, Θεοδώρα Ομαδοποίηση εικόνων / πολυδιάστατων δεδομένων με τον αλγόριθμο markov clustering (MCL) |
description |
Η ομαδοποίηση δεδομένων αποτελεί ένα από τα αναπτυσσόμενα πεδία έρευνας στον τομέα της μηχανικής μάθησης και της εξόρυξης δεδομένων λόγω της εφαρμογής της σε πληθώρα προβλημάτων. Η εκτεταμένη ανάγκη για ομαδοποίηση σε διάφορες εφαρμογές οδήγησε αναπόφευκτα στη δημιουργία πολλών αλγορίθμων, ο καθένας από τους οποίους έχει σχεδιασθεί με σκοπό να αποδίδει καλύτερα σε συγκεκριμένο τύπο προβλημάτων.
Σε αρκετά προβλήματα Βιοπληροφορικής, οι οντότητες των δεδομένων που εμπλέκονται μπορούν να αναπαρασταθούν αποδοτικά και αποτελεσματικά μέσω γράφων, ως μια συλλογή από κόμβους και ακμές. Ένας από τους πιο γνωστούς αλγορίθμους που χρησιμοποιείται σε τέτοια προβλήματα είναι ο Markov Clustering Algorithm (MCL).
Στην παρούσα διπλωματική εργασία,εφαρμόζουμε τον Αλγόριθμο Markov Clustering (MCL) σε διαφορετικές βάσεις δεδομένων (Ιris flower data set & ShapeDNA_Shrec 11) αλλά και σε απλούς γράφους με σκοπό την ομαδοποίηση των αρχικών μας δεδομέων.
Στο πρώτο κεφάλαιο, αναφέρουμε τις μεθόδους ομαδοποίησης. Δηλαδή, κάνουμε μια εισαγωγή στην ομαδοποίηση, στον ορισμό της και στις τεχνικές της.Γίνετε αναφορά στον αλγόριθμο k-means, fuzzy c-means, spectral clustering και στα μέτρα ομοιότητας και απόστασης.
Στο δεύτερο κεφάλαιο, γίνετε αναφορά στον αλγόριθμο MCL.Δηλαδή, στον ορισμό του, στις βασικές διαδικασίες, στα στάδιά και στην πολυπλοκότητά του. Στο κεφάλαιο αυτό, παρουσιάζονται και τα δύο απλά παραδείγματα των γράφων μέσω του προγράμματος Matlab.
Στο τρίτο κεφάλαιο, παρουσιάζουμε τα πειραματικά αποτελέσματα. Δηλαδή, τα πειραματικά δεδομένα, τους κώδικες Matlab και τα αποτελέσματα που προκύπτουν.
Στο τέταρτο και τελευταίο κεφάλαιο παρουσιάζουμε τα συμπεράσματα. |
author2 |
Φωτόπουλος, Σπύρος |
author_facet |
Φωτόπουλος, Σπύρος Ντζούφρα, Θεοδώρα |
format |
Thesis |
author |
Ντζούφρα, Θεοδώρα |
author_sort |
Ντζούφρα, Θεοδώρα |
title |
Ομαδοποίηση εικόνων / πολυδιάστατων δεδομένων με τον αλγόριθμο markov clustering (MCL) |
title_short |
Ομαδοποίηση εικόνων / πολυδιάστατων δεδομένων με τον αλγόριθμο markov clustering (MCL) |
title_full |
Ομαδοποίηση εικόνων / πολυδιάστατων δεδομένων με τον αλγόριθμο markov clustering (MCL) |
title_fullStr |
Ομαδοποίηση εικόνων / πολυδιάστατων δεδομένων με τον αλγόριθμο markov clustering (MCL) |
title_full_unstemmed |
Ομαδοποίηση εικόνων / πολυδιάστατων δεδομένων με τον αλγόριθμο markov clustering (MCL) |
title_sort |
ομαδοποίηση εικόνων / πολυδιάστατων δεδομένων με τον αλγόριθμο markov clustering (mcl) |
publishDate |
2019 |
url |
http://hdl.handle.net/10889/12543 |
work_keys_str_mv |
AT ntzouphratheodōra omadopoiēsēeikonōnpolydiastatōndedomenōnmetonalgorithmomarkovclusteringmcl AT ntzouphratheodōra imageclusteringmultidimensionaldatawithmarkovclusteringalgorithmmcl |
_version_ |
1771297329732648960 |