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.

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