Unsupervised learning

Smyslem této práce bylo popsat některé techniky učení bez učitele, které se běžně používají v procesu shlukové analýzy dat. První část je zaměřena na teoretickou rešerši některých algoritmů, popis výhod a nevýhod každé z diskutovaných metod a validace kvality shlukování. V této části je zmíněna řada způsobů jak odhadnout a spočítat kvalitu shlukování založenou na interní a externí znalosti. Dobrá technika validace kvality shlukování je jedna z nejdůležitějších částí ve shlukové analýze. Druhá část práce se zabývá implementací rozdílných shlukovacích technik a programů na reálných datech a porovnává je se skutečnými rozděleními v souboru dat a publikovanými výsledky.The purpose of this work has been to describe some techniques which are normally used for cluster data analysis process of unsupervised learning. The thesis consists of two parts. The first part of thesis has been focused on some algorithms theory describing advantages and disadvantages of each discussed method and validation of clusters quality. There are many ways how to estimate and compute clustering quality based on internal and external knowledge which is mentioned in this part. A good technique of clustering quality validation is one of the most important parts in cluster analysis. The second part of thesis deals with implementation of different clustering techniques and programs on real datasets and their comparison with true dataset partitioning and published related work.