Agrupamento não supervisionado fuzzy C- Means

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorCasanova, Dalcimar-
Autor(es): dc.contributorCasanova, Dalcimar-
Autor(es): dc.contributorMarin, Luciene de Oliveira-
Autor(es): dc.contributorCavalcanti, Pablo Gautério-
Autor(es): dc.contributorBorsoi, Beatriz Terezinha-
Autor(es): dc.creatorRosa, Ekuikui Vanilson dos Anjos-
Data de aceite: dc.date.accessioned2022-02-21T21:26:31Z-
Data de disponibilização: dc.date.available2022-02-21T21:26:31Z-
Data de envio: dc.date.issued2020-11-17-
Data de envio: dc.date.issued2020-11-17-
Data de envio: dc.date.issued2017-12-05-
Fonte completa do material: dc.identifierhttp://repositorio.utfpr.edu.br/jspui/handle/1/14587-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/652719-
Descrição: dc.descriptionThe clustering task aims to identify and approximate similar data. A cluster is a collection of data similar to each other, but different from the other records in the other clusters. In this context, many of these clusters have already been proposed and are still the origin of several scientific studies aimed at obtaining the best data separation. Among the best known methods are k-means and fuzzy c-means. Both have deployments in various commercial and free packages. However, ordinary users tend to use such methods indiscriminately, without knowing their implications and differences. This work aims to contribute precisely in this sense, to give clarity and practical examples of the behavior of the method fuzzy c-means, which is based on the theory of fuzzy sets.-
Descrição: dc.descriptionA tarefa de agrupamento visa identificar e aproximar os dados similares. Um agrupamento (ou cluster) é uma coleção de dados similares entre si, porém diferentes dos outros registros nos demais grupos. Nesse contexto muitos métodos de agrupamentos já foram propostos e ainda são fonte de diversas pesquisas científicas que objetivam melhor separação dos dados. Dentre os métodos mais conhecidos estão o k-means e o fuzzy c-means e ambos possuem implementações em diversos pacotes comerciais e livres, todavia os usuários comuns tendem a utilizar tais métodos indiscriminadamente, sem conhecer suas implicações e diferenças. Esse trabalho visa contribuir no sentido de dar clareza e exemplos práticos do comportamento do método fuzzy c-means, o qual é baseado na teoria dos conjuntos nebulosos.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Publicador: dc.publisherUniversidade Tecnológica Federal do Paraná-
Publicador: dc.publisherPato Branco-
Publicador: dc.publisherBrasil-
Publicador: dc.publisherDepartamento Acadêmico de Informática-
Publicador: dc.publisherEngenharia de Computação-
Publicador: dc.publisherUTFPR-
Direitos: dc.rightsopenAccess-
Palavras-chave: dc.subjectSistemas de reconhecimento de padrões-
Palavras-chave: dc.subjectLógica difusa-
Palavras-chave: dc.subjectMineração de dados (Computação)-
Palavras-chave: dc.subjectTeoria dos conjuntos-
Palavras-chave: dc.subjectPattern recognition systems-
Palavras-chave: dc.subjectFuzzy logic-
Palavras-chave: dc.subjectData mining-
Palavras-chave: dc.subjectSet theory-
Palavras-chave: dc.subjectCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO-
Título: dc.titleAgrupamento não supervisionado fuzzy C- Means-
Título: dc.titleNon-supervised clustering fuzzy C- Means-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositorio Institucional da UTFPR - RIUT

Não existem arquivos associados a este item.