کتاب خوشه بندی در یادگیری ماشین

خوشه‌بندی شاید یکی از مواردی باشد که به طور گسترده در زمینه داده­ کاوی و یادگیری ماشین مورد مطالعه قرارگرفته است. خوشه­ بندی شامل طیف گسترده­ای از حوزه­ های مانند متن، بازاریابی، شبکه‌های اجتماعی و داده‌های بیولوژیکی است. علاوه بر این، الگوریتم­های خوشه ­بندی بستگی زیادی به دامنه داده­ ها و سناریوی مسئله دارند.
بنابراین، این کتاب به سه جنبه اصلی خوشه­ بندی داده­ ها می‌پردازد: اولین مجموعه از فصل‌ها روی روش­های پایه و کلاسیک برای طبقه­ بندی داده ­ها متمرکز خواهند شد. این­ها شامل روش­هایی مانند خوشه­ بندی سلسله مراتبی، خوشه‌بندی افرازی است. فصل­های بعدی به حوزه­ ها و سناریوهای جدید خوشه ­بندی مانند روش­های مبتنی بر هندسه، روش­های مبتنی بر گراف، روش­های مبتنی بر مشبک و روش­های مبتنی بر چگالی متمرکز می­شوند. مجموعه فصل‌ها به دلیل ایجاد ذهنیت از فرآیند خوشه ­بندی و روش­های مختلفی که می­توانند دانشی یکسان از مجموعه داده­ های یکسان را ارائه دهند، به بینش‌های تفصیلی مختلفی از فرآیند خوشه­ بندی تمرکز خواهند کرد. پاسخ به اینکه چگونه می­دانیم یک خوشه­ بندی خاص خوب است یا نیازهای آن کاربرد خاص را برطرف می­کند؟ روش­های بیشماری وجود دارد که می­توان این موضوعات را بررسی کرد.