Выводы по работе

По полученным в ходе выполнения работы результатам можно сделать следующие выводы:

1. В ходе анализа состояния вопроса установлено, что дальнейшее совершенствования алгоритма k-means возможно путем разработки новых универсальных метрик обеспечивающих наименьшую ошибку кластеризации данных даже при отсутствии априорной информации об исходных объектах.

2.

3.

4.

5.

6.

7. Предложенную методику использования гибридных метрик в алгоритме k-means можно реализовать программных способом без использования каких-либо специализированных библиотек.

В результаты выполнения работы были опубликованы в трех статьях [2, 3, 4] и доложены на двух конференциях международного уровня.

Список литературы

1. Block, H.H. Clustering Methods: A History of k -Means Algorithms / H.H. Block // Selected Contributions in Data Analysis and Classification. – Springer Berlin Heidelberg, 2007. – рр. 161-172. – ISBN 978-3-540-73558-8

2. Моя статья

3. Моя статья

4. Моя статья

2. Wu, J. Advances in K-means Clustering: A Data Mining Thinking / Junjie Wu. – Springer Berlin Heidelberg, 2012. – 180 р. – ISBN 978-3-642-29807-3

3. Mirkin, B. Core Concepts in Data Analysis: Summarization, Correlation and Visualization / Boris Mirkin. – Springer London, 2011. – 390 p. – ISBN 978-0-85729-286-5

4. Liotta, A. Smart Anomaly Detection for Sensor System: Computational Intelligence Techniques for Sensor Networks and Applications / A. Liotta, H. Bosman, G. Iacca. – Springer Publisher, 2015. – 150 p. – ISBN 978-3-319-00164-7

5. Celebi, M.E. Partitional Clustering Algorithms / M.E. Celebi. – Springer International Publishing Switzerland, 2015. – 415 p. – ISBN 978-3-319-09259-1

6. Mucherino, A. Data Mining in Agriculture / A. Mucherino, P.J. Papajorgji, P.M. Pardalos. – Springer New York, 2009. – 274 p. – ISBN978-0-387-88614-5