مروری بر تعدادی از روشهای خوشه بندی داده ها با استفاده از الگوریتم مدل مخفی مارکوف

خوشه بندی داده ها یکی از مهمترین مسائل مورد بررسی در یادگیری ماشین میباشد. مدلهای مخفی مارکوف بدلیل توانایی شان در خوشه بندی داده ها با اندازه های مختلف بصورت بسیار گسترده ای مورد استفاده قرار گرفته اند. در این مقاله تعدادی از مطالعات انجام شده در مورد استفاده از مدل مخفی مارکوف در خوشه بندی داده ها مورد بررسی قرار گرفته است. کارهای مورد بررسی در این مقاله عموما از مدل مخفی مارکوف جهت خوشه بندی داده ها با طولهای متفاوت بهره گرفته اند. اگرچه مسئله خوشه بندی داده های ترتیبی بوسیله بسیاری از روشهای استاندارد تشخیص الگو قابل تحلیل و بررسی است، اما این الگوریتم ها هنگامی که طول دنباله های موجود نظیر دنباله های ژن و یا داده های زمانی متغیر باشند، بسیار پیچیده میشوند. بررسی نتایج مطالعات انجام شده در این زمینه نشان میدهد که مدل مخفی مارکوف میتواند خوشه بندی داده ها با اندازه های متفاوت را به نحو بسیار مطلوبی انجام دهد. مخصوصا اگر پارامترهای مدل مخفی مارکوف بوسیله الگوریتمهای تکاملی مانند الگوریتم ژنتیک و یا الگوریتم بهینه سازی هوش ذرات بهینه شود.

Keywords:

خوشه بندی , مدل مخفی مارکوف , الگوریتمهای تکاملی , یادگیری ماشین