prikaz prve stranice dokumenta Grupiranje podataka
  Preuzmi
PDF 1.17 MB
diplomski rad
Grupiranje podataka
Osijek: Sveučilište Josipa Jurja Strossmayera u Osijeku, Odjel za matematiku, 2020. urn:nbn:hr:126:501750
Habijanić, Ana
Sveučilište Josipa Jurja Strossmayera u Osijeku
Odjel za matematiku
Zavod za primijenjenu matematiku i računarstvo
Katedra za primijenjenu matematiku i optimizaciju

Institucijski repozitorij: Repozitorij Fakulteta primijenjene matematike i informatike

Citirajte ovaj rad

Habijanić, A. (2020). Grupiranje podataka (Diplomski rad). Osijek: Sveučilište Josipa Jurja Strossmayera u Osijeku, Odjel za matematiku. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:126:501750

Habijanić, Ana. "Grupiranje podataka." Diplomski rad, Sveučilište Josipa Jurja Strossmayera u Osijeku, Odjel za matematiku, 2020. https://urn.nsk.hr/urn:nbn:hr:126:501750

Habijanić, Ana. "Grupiranje podataka." Diplomski rad, Sveučilište Josipa Jurja Strossmayera u Osijeku, Odjel za matematiku, 2020. https://urn.nsk.hr/urn:nbn:hr:126:501750

Habijanić, A. (2020). 'Grupiranje podataka', Diplomski rad, Sveučilište Josipa Jurja Strossmayera u Osijeku, Odjel za matematiku, citirano: 29.11.2024., https://urn.nsk.hr/urn:nbn:hr:126:501750

Habijanić A. Grupiranje podataka [Diplomski rad]. Osijek: Sveučilište Josipa Jurja Strossmayera u Osijeku, Odjel za matematiku; 2020 [pristupljeno 29.11.2024.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:126:501750

A. Habijanić, "Grupiranje podataka", Diplomski rad, Sveučilište Josipa Jurja Strossmayera u Osijeku, Odjel za matematiku, Osijek, 2020. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:126:501750

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:126:501750
Podaci o radu
NaslovGrupiranje podataka
Naslov (engleski)Data Clustering
AutorAna Habijanić
MentorDarija Marković (mentor)
Član povjerenstvaKristian Sabo (predsjednik povjerenstva)
Član povjerenstvaDarija Marković (član povjerenstva)
Član povjerenstvaSuzana Miodragović (član povjerenstva)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište Josipa Jurja Strossmayera u Osijeku
Odjel za matematiku
(Zavod za primijenjenu matematiku i računarstvo)
(Katedra za primijenjenu matematiku i optimizaciju)
Osijek
Datum i država obrane2020-12-17, Hrvatska
Znanstveno / umjetničko
područje, polje i grana		PRIRODNE ZNANOSTI
Matematika
Matematička logika i računarstvo
Sažetak
Cilj ovog rada je upoznavanje s tehnikama grupiranja podataka. Grupiranje podataka je proces u kojem od grupe različitih objekata stvaramo klastere sličnih objekata. Postoje različite vrste grupiranja, ovisno o podatcima s kojima radimo. Četiri glavne vrste su: particijsko i hijerarhijsko grupiranje te grupiranje temeljeno na gustoći ili mreži podataka. Particijsko grupiranje grupira podatke u klastere koje čine slični podatci. Najznačajniji algoritam ove skupine je algoritam K–srednjih vrijednosti. Nastavno na njega, nastale su i druge inače kao što su algoritmi K–medoida i neizrazitih C–srednjih vrijednosti. Hijerarhijsko grupiranje, s druge strane, stvara hijerarhiju klastera koja se prikazuje dendrogramom. Postoje dva pristupa: ”bottom-up” (aglomerativno) i ”top-down” (divizno) grupiranje koji odreduju kojim će se redoslijedom spajati, odnosno razdvajati klasteri. Kod klaster analize, potrebno je odrediti početne centroide te izabrati broj K za broj klastera. Za svaki od ta dva problema postoje razne metode koje nas dovode do optimalnog rješenja. Nadalje, grupiranja temeljena na gustoći, odnosno mreži podataka koriste informacije o gustoći, obliku te broju zadanih podataka. Uz njihove varijacije, najistaknutiji algoritmi su DBSCAN za gustoću podataka te STING algoritam za mrežu podataka.
Sažetak (engleski)
The aim of this paper is to get acquainted with the data clustering techniques. clustering is the process of making a group of abstract objects into classes of similar objects. There are different types of clustering, depending on the type of data. The four main types are: partitional, hierarchical, density-based, and grid-based clustering. Partitional clustering clusters the dataset into clusters that contain similar data. The most significant algorithm is the K–means algorithm. Additional to this algorithm, other versions appeared, such as the K–medoids algorithm and fuzzy C–means algorithm. Hierarchical clustering, on the other hand, creates a hierarchy of clusters which is represented with a dendrogram. There are two approaches: the ”bottom-up” (agglomerative) and the ”top-down” (divisive) clustering which determines the order of joining or splitting the clusters. In the cluster analysis, we need to determine the initial centers and the number of clusters. For each of those problems, there are different methods that result in an optimal solution. Moreover, the density-based and the grid-based clustering are using information about the density, the shape, and the number of data. The most significant algorithms are the DBSCAN for the density-based and the STING for the grid-based clustering.
Ključne riječi
Ključne riječi (engleski)
Jezikhrvatski
URN:NBNurn:nbn:hr:126:501750
Studijski programNaziv: Matematika; smjerovi: Financijska matematika i statistika, Matematika i računarstvo, Industrijska i primijenjena matematika
Smjer: Financijska matematika i statistika
Vrsta studija: sveučilišni
Stupanj studija: diplomski
Akademski / stručni naziv: magistar/magistra matematike (mag.math.)
Vrsta resursaTekst
Način izrade datotekeIzvorno digitalna
Prava pristupaOtvoreni pristup
Uvjeti korištenjaIkona licence Zaštićeno autorskim pravom.
Datum i vrijeme pohrane2020-12-18 07:32:03