چکيده
خوشه¬بندي يك مسئله¬ي پايه در بسياري از حوزه¬هاي كاربردي داده محور است. زيرا مهيا كردن مجموعه دادگان برچسب¬دار، در بسياري از مسائل دنياي واقعي، كاري دشوار و يا حتي در بعضي موارد غيرممكن است. از اين¬رو نمي¬توان براي تحليل و نمايش دادگان از روش¬هاي يادگيري با ناظر استفاده كرد. هدف از خوشه¬بندي، گروه¬بندي دادگان مشابه، بدون ناظر و دانش پيشين از ماهيت خوشه¬ها است. الگوريتم¬هاي خوشه¬بندي سنتي در مجموعه دادگان با ابعاد بالا بسيار ضعيف عمل مي¬كنند. از طرفي كارايي اين الگوريتم-ها به كيفيت بازنمايي دادگان بستگي زيادي دارد. درنتيجه كاهش بُعد و يادگيري بازنمايي¬ها به طور گسترده در كنار خوشه¬بندي استفاده مي¬شوند تا داده¬ها به فضاي ويژگي در ابعاد كمتر و با قابليت تفكيك-پذيري بالاتر نگاشت شوند. استفاده از شبكه¬هاي عصبي عميق، يادگيري نگاشت غيرخطي دادگان را ممكن كرده¬است، كه اجازه مي¬دهد دادگان به بازنمايي¬هاي مناسب¬تر براي خوشه¬بندي تبديل شوند.
تركيب كردن الگوريتم¬هاي خوشه¬بندي با يادگيري عميق براي بهبود نتايج خوشه¬بندي است. خوشه¬بندي عميق به دليل توانايي قدرتمندش در استخراج ويژگي¬ها، به طور گسترده در بسياري از كاربردهاي عملي استفاده مي¬شود. هم¬چنين روش¬هاي خوشه¬بندي مبتني بر شبكه¬هاي عصبي عميق به دليل قدرت بالاي بازنمايي، نويدبخش خوشه¬بندي داده¬هاي دنياي واقعي هستند.
