Subscribe to the gold package and get unlimited access to Shamra Academy
Register a new userAssigned Elementary Centroids Thoughtfully in K-Medoids Algorithm
تعيين المراكز الابتدائية بشكل مدروس في خوارزمية K-Medoids
2385
0 33
0
(
0
)
Authors
طه مختار البابا( باحث )
Created by
Shamra Editor
Ask ChatGPT about the research
مع التطور الهائل في جميع المجالات العلمية و الاقتصادية و السياسية و غيرها ظهرت الحاجة لإيجاد طرق غير تقليدية للتعامل من خلالها مع البيانات بجميع أنماطها ( النصية و المرئية و الصوتية و غيرها ) والتي أصبحت ذات حجوم كبيرة جداً في هذه الأيام. فكان لابد من إيجاد طرق جديدة لاستنباط المعرفة و المعلومات المخبأة ضمن هذا الكم الهائل من البيانات كالاستعلام عن الزبائن الذين لديهم عادات شرائية متماثلة أو التوقعات المحتلمة لبيع سمعة معينة في إحدى المناطق الجغرافية و غيرها من الاستعلامات الاستنتاجية و التي تعتمد على تقنية التنقيب في البيانات. و تتم عملية التنقيب بعدة أساليب من أهمها أسلوب العنقدة (التجميع) Clustering و الذي يتم بعدة خوارزميات. سوف نرّكز في بحثنا هذا على استخدام طريقة مدروسة لإيجاد المراكز الابتدائية لخوارزمية K-Medoids التي تقوم على مبدأ تقسيم البيانات إلى عناقيد كل عنقود يحوي بيانات متماثمة يَسهل التعامل معها بدلاً من اختيارها بالشكل العشوائي الذي يؤدي بدوره لظهور نتائج مختلفة وبطئ في تنفيذ الخوارزمية .
With the tremendous development in all areas of scientific, economic, political and other appeared the need to find nontraditional ways in which to deal with all the data patterns (text, video and audio, etc.), which are becoming very large volumes these days. Was necessary to find new ways to develop knowledge and information hidden within this huge amount of data such as query for customers who have habits of purchasing the same or prospects for the sale of a particular commodity in one of the geographical areas and other queries deductive and based on the technology of data mining. The process of exploration in several of the most important methods of clustering method (assembly) Clustering, which are several algorithms. We will focus in this research on the use of a way calculated to create centers of First Instance of the algorithm K-Medoids which is based on the principle of the division of data into clusters each cluster contains a replica database easy to handle, rather than selected as random which in turn leads to the emergence of different results and slow in the implementation of the algorithm.
Artificial intelligence review:
Research summary
يتناول البحث الذي قدمه طه مختار البابا تحسين خوارزمية K-Medoids المستخدمة في عملية العنقدة أو التجميع في التنقيب عن البيانات. يوضح البحث أهمية التنقيب في البيانات في العصر الحالي الذي يتميز بالانفجار المعلوماتي، ويستعرض كيفية تحسين أداء خوارزمية K-Medoids من خلال تعيين المراكز الابتدائية بشكل مدروس بدلاً من اختيارها عشوائياً. يهدف هذا التحسين إلى تقليل عدد التكرارات اللازمة لتنفيذ الخوارزمية وتقليل الزمن المستغرق في التنفيذ، مما يجعلها أكثر كفاءة في التعامل مع البيانات الكبيرة. تم اختبار الخوارزمية المعدلة باستخدام تطبيق برمجي بلغة #C، وأظهرت النتائج تحسناً ملحوظاً في الأداء مقارنة بالخوارزمية العادية. يوصي البحث باستخدام الخوارزمية المعدلة في مجالات تتطلب التعامل مع كميات كبيرة من البيانات مثل بيانات الطلبة في وزارتي التربية والتعليم العالي.
Critical review
دراسة نقدية: يعتبر البحث خطوة مهمة نحو تحسين خوارزمية K-Medoids، إلا أنه يواجه بعض التحديات. من أبرز هذه التحديات هو أن الخوارزمية المعدلة قد لا تكون فعالة بنفس القدر مع جميع أنواع البيانات، حيث أن تحسين الأداء يعتمد بشكل كبير على طبيعة البيانات المستخدمة. كما أن البحث لم يتناول بشكل كافٍ كيفية التعامل مع البيانات الشاذة التي قد تؤثر على دقة النتائج. بالإضافة إلى ذلك، قد يكون من المفيد توسيع نطاق الاختبارات لتشمل أنواعاً مختلفة من البيانات واستخدام تقنيات أخرى للمقارنة. على الرغم من هذه النقاط، فإن البحث يقدم إسهاماً قيماً في مجال التنقيب عن البيانات ويضع أساساً لتحسينات مستقبلية.
Questions related to the research
-
ما هو الهدف الرئيسي من البحث؟
الهدف الرئيسي من البحث هو تحسين أداء خوارزمية K-Medoids من خلال تعيين المراكز الابتدائية بشكل مدروس بدلاً من اختيارها عشوائياً، مما يقلل من عدد التكرارات والزمن المستغرق في التنفيذ.
-
ما هي الفوائد المتوقعة من استخدام الخوارزمية المعدلة؟
الفوائد المتوقعة تشمل تحسين كفاءة الخوارزمية في التعامل مع البيانات الكبيرة، تقليل عدد التكرارات اللازمة، وتقليل الزمن المستغرق في التنفيذ، مما يجعلها أكثر فعالية في مجالات تتطلب تحليل كميات كبيرة من البيانات.
-
ما هي التحديات التي يواجهها البحث؟
التحديات تشمل فعالية الخوارزمية المعدلة مع أنواع مختلفة من البيانات، التعامل مع البيانات الشاذة، وتوسيع نطاق الاختبارات لتشمل تقنيات أخرى للمقارنة.
-
ما هي التوصيات المستقبلية التي يقدمها البحث؟
يوصي البحث بزيادة فعالية الخوارزمية وزيادة كفاءتها لتصبح ذات فائدة أكبر في التعامل مع البيانات الكبيرة جداً مثل مواقع الانترنت بجميع مجالاتها واختصاصاتها.
References used
Dunham, M. H. 2003-Data Mining: Introductory and Advanced Topics. Prentice Hal Bazsalica, 328p
Kaufman,L. Rousseeuw,P2010-Finding Groups in Data: an .Introduction to Cluster Analysis. John,170p
Berry,J. Linoff.G2004-Data Mining Techniques For Marketing, Sales, and Customer Relationship Management, Indianapolis,150p
Ng,R, Han.J-2008-Efficient and Effective Clustering Methods for Spatial Data Mining, Conf, 144p
Xu Yifeng Chen Chunming. 2009 ONTOLOGY-BASED WEB MINING Computer Applications and software, 180p
rate research
Read More
The algorithm classifies objects to a predefined number of clusters, which is given by the user (assume k clusters). The idea is to choose random cluster centers, one for each cluster. These centers are preferred to be as far as possible from each ot
her. Starting points affect the clustering process and results. Here the Centroid initialization plays an important role in determining the cluster assignment in effective way. Also, the convergence behavior of clustering is based on the initial centroid values assigned. This research focuses on the assignment of cluster centroid selection so as to improve the clustering performance by K-Means clustering algorithm. This research uses Initial Cluster Centers Derived from Data Partitioning along the Data Axis with the Highest Variance to assign for cluster centroid.
This paper introduces a new algorithm to solve some problems
that data clustering algorithms such as K-Means suffer from.
This new algorithm by itself is able to cluster data without the
need of other clustering algorithms.
Following the success of dot-product attention in Transformers, numerous approximations have been recently proposed to address its quadratic complexity with respect to the input length. While these variants are memory and compute efficient, it is not
possible to directly use them with popular pre-trained language models trained using vanilla attention, without an expensive corrective pre-training stage. In this work, we propose a simple yet highly accurate approximation for vanilla attention. We process the queries in chunks, and for each query, compute the top-*k* scores with respect to the keys. Our approach offers several advantages: (a) its memory usage is linear in the input size, similar to linear attention variants, such as Performer and RFA (b) it is a drop-in replacement for vanilla attention that does not require any corrective pre-training, and (c) it can also lead to significant memory savings in the feed-forward layers after casting them into the familiar query-key-value framework. We evaluate the quality of top-*k* approximation for multi-head attention layers on the Long Range Arena Benchmark, and for feed-forward layers of T5 and UnifiedQA on multiple QA datasets. We show our approach leads to accuracy that is nearly-identical to vanilla attention in multiple setups including training from scratch, fine-tuning, and zero-shot inference.
Jujeop is a type of pun and a unique way for fans to express their love for the K-pop stars they follow using Korean. One of the unique characteristics of Jujeop is its use of exaggerated expressions to compliment K-pop stars, which contain or lead t
o humor. Based on this characteristic, Jujeop can be separated into four distinct types, with their own lexical collocations: (1) Fragmenting words to create a twist, (2) Homophones and homographs, (3) Repetition, and (4) Nonsense. Thus, the current study first defines the concept of Jujeop in Korean, manually labels 8.6K comments and annotates the comments to one of the four Jujeop types. With the given annotated corpus, this study presents distinctive characteristics of Jujeop comments compared to the other comments by classification task. Moreover, with the clustering approach, we proposed a structural dependency within each Jujeop type. We have made our dataset publicly available for future research of Jujeop expressions.
We study in this research some properties of wide class of curves, called k-curves, which is defined by a relation existing between arches and chords connecting any two arbitrary points on it
Especially we study the effect of some mappes on the curves of this class.
Then we study the approximation of weighted Holder class of function on k-curves.
suggested questions
Log in to be able to interact and post comments
comments
Fetching comments
Sign in to be able to follow your search criteria
