{
    "metadata": {
        "dataset_id": "shahroodut-thesis",
        "record_id": "Q107",
        "title": "بهبود الگوریتم های خوشه بندی برای کلان داده با استفاده از محاسبات خوشه ای",
        "publisher": "دانشگاه صنعتی شاهرود",
        "owner": "کتابخانه مرکزی دانشگاه صنعتی شاهرود",
        "license": "CC-BY-4.0",
        "license_url": "https://creativecommons.org/licenses/by/4.0/",
        "license_text": "استفاده، بازنشر، تحلیل، پردازش و بهره برداری پژوهشی، آموزشی و صنعتی با ذکر منبع دانشگاه صنعتی شاهرود مجاز است.",
        "publication_date": "1396",
        "last_update": "2026-07-11",
        "language": "fa",
        "format": "application/json",
        "contact": "thesis@shahroodut.ac.ir",
        "access": {
            "fulltext_available": "true",
            "public_access": "true"
        }
    },
    "data": {
        "thesis_id": "Q107",
        "title": "بهبود الگوریتم های خوشه بندی برای کلان داده با استفاده از محاسبات خوشه ای",
        "degree": null,
        "faculty": "مهندسی کامپیوتر ",
        "year": 1396,
        "authors": [
            {
                "name": "زهره فریدون مقدم",
                "role": "پدیدآور اصلی"
            },
            {
                "name": "هدی مشایخی",
                "role": "استاد راهنما"
            },
            {
                "name": "وحید ابوالقاسمی",
                "role": "استاد مشاور"
            }
        ],
        "keywords": [
            "خوشه بندی",
            "خوشه بندی احتمالاتی",
            "جریان داده",
            "خوشه بندی جریان داده",
            "محاسبات خوشه-ای"
        ],
        "abstract": "امروزه در کاربردهای مختلف همچون سامانه‌های‌ کنترل ترافیک، سنسورهای هواشناسی، سیستم‌های پزشکی، شبکه‌های اجتماعی و غیره، با سرعت بسیار زیادی داده تولید می شود. به این داده ها، جریان داده اطلاق شده و تحلیل آنها نوعا نیازمند روش‌های تکاملی و افزایشی می‌باشد. خوشه بندی یکی از روش های متداول تحلیل و یادگیری است و الگوریتم های متعددی در این حوزه ارائه شده است. خوشه‌بندی جریان داده‌ها به دلایل مختلفی هم‌چون عدم دسترسی همزمان به تمامی داده، تغییرات خوشه‌ها، و غیره، روش‌هایی متفاوت از خوشه‌بندی سنتی را طلب می‌کند.\r\nدر این پایان نامه الگوریتم خوشه بندی مبتنی بر مدل ارائه خواهد شد که با استفاده از تئوری احتمال شرطی و براساس اطلاعات پیشین، خوشه بندی احتمالاتی را انجام می دهد. الگوریتم پیشنهادی با داده های مصنوعی و داده های واقعی آزمایش می شود و در ادامه با روش های FCM و Gustafson-Kessel مقایسه خواهد شد. براساس نتایج حاصل از مقایسه، این الگوریتم دقت خوشه بندی را نسبت به الگوریتم های ذکر شده، بهبود می دهد و همچنین مقاومت بیشتری در مقابل نویز دارد.\r\nبا توجه به ماهیت افزایشی جریان داده، الگوریتم پیشنهادی برای این نوع داده ها توسعه داده شده و بعد از پیا‌ده‌سازی با استفاده از چارچوب محاسباتی خوشه ای Spark،  ارزیابی می‌شود. با پیاده سازی موازی الگوریتم، زمان اجرا کاهش می یابد. آزمایشات نشان می دهندکه الگوریتم پیشنهادی مقایس پذیری  لازم برای کار با حجم بالای داده را دارد.",
        "repository": "کتابخانه مرکزی دانشگاه صنعتی شاهرود",
        "note": "حقوق مادی و معنوی متعلق به دانشگاه صنعتی شاهرود می باشد.",
        "download_url": "https://shahroodut.ac.ir/fa/thesis/files/somefiles/sf_Q107.pdf"
    },
    "dictionary": {
        "thesis_id": "شناسه پایان نامه",
        "title": "عنوان پایان نامه",
        "degree": "مقطع تحصیلی",
        "faculty": "دانشکده",
        "year": "سال دفاع",
        "authors": "پدیدآورندگان",
        "keywords": "کلیدواژه ها",
        "abstract": "چکیده",
        "repository": "محل نگهداری",
        "note": "یادداشت",
        "download_url": "آدرس فایل پایان نامه"
    }
}