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

چکیده مقاله

خوشهبندی دادهها یکی از مهمترین مسائل مورد بررسی در یادگیری ماشین میباشد. مدلهای مخفی مارکوف بدلیل تواناییشان در خوشهبندی دادهها با اندازههای مختلف بصورت بسیار گستردهای مورد استفاده قرار گرفتهاند. در این مقاله تعدادی از مطالعات انجام شده در مورد استفاده از مدل مخفی مارکوف در خوشهبندی دادهها مورد بررسی قرار گرفته است. کارهای مورد بررسی در این مقاله عموما از مدل مخفی مارکوف جهت خوشهبندی دادهها با طولهای متفاوت بهره گرفته- اند. اگرچه مسئله خوشهبندی دادههای ترتیبی بوسیله بسیاری از روشهای استاندارد تشخیص الگو قابل تحلیل و بررسی است، اما این الگوریتمها هنگامیکه طول دنبالههای موجود نظیر دنبالههای ژن و یا دادههای زمانی متغیر باشند، بسیار پیچیده میشوند. بررسی نتایج مطالعات انجام شده در این زمینه نشان میدهد که مدل مخفی مارکوف میتواند خوشه- بندی دادهها با اندازههای متفاوت را به نحو بسیار مطلوبی انجام دهد. مخصوصا اگر پارامترهای مدل مخفی مارکوف بوسیله الگوریتمهای تکاملی مانند الگوریتم ژنتیک و یا الگوریتم بهینهسازی هوش ذرات بهینه شود.