CLUSTERING — ΕΠΙΣΤΗΜΟΝΙΚΗ ΤΕΚΜΗΡΙΩΣΗ

Το έκτο βίντεο παρουσιάζει έναν διδακτικό χάρτη έξι βασικών προσεγγίσεων, όχι έξι αμοιβαία αποκλειόμενες ή εξαντλητικές κατηγορίες. Δεν υπάρχει μία καθολική ταξινόμηση. Η διάκριση «ιεραρχικό / επίπεδο» αφορά τη μορφή του αποτελέσματος, ενώ οι όροι «πυκνότητα / γράφοι / μοντέλα» αφορούν τον μηχανισμό. Έτσι, π.χ. το HDBSCAN συνδυάζει πυκνότητα και ιεραρχία.

Οικογένεια — βασικές διακρίσεις / παραδείγματα
1. Διαχωριστικό με πρωτότυπα: κεντροειδή (K-means, MiniBatch K-means), πραγματικοί εκπρόσωποι / medoids (PAM, CLARA). Στο βίντεο ο όρος χρησιμοποιείται με αυτή τη στενότερη, πρακτική έννοια.
2. Ιεραρχικό: συσσωρευτικό / agglomerative, διαιρετικό / divisive. Για συσσωρευτικές μεθόδους: single, complete, average linkage, Ward. Αυτά είναι κανόνες συγχώνευσης, όχι ανεξάρτητες οικογένειες clustering.
3. Πυκνωτικό: DBSCAN, OPTICS, HDBSCAN. Το OPTICS παράγει κυρίως διάταξη προσπελασιμότητας, από την οποία εξάγονται ομάδες. Το HDBSCAN κατασκευάζει ιεραρχία πυκνότητας και επιλέγει σταθερές ομάδες.
4. Βασισμένο σε γράφους: φασματικές μέθοδοι και μέθοδοι διαμέρισης γράφων. Πρώτα ορίζεται γράφος ομοιότητας. Η κατασκευή του επηρεάζει το αποτέλεσμα.
5. Βασισμένο σε μοντέλα: μείγματα κατανομών, π.χ. Gaussian mixture models. Η ανάθεση μπορεί να είναι πιθανοτική. Το EM είναι διαδικασία εκτίμησης παραμέτρων, όχι ξεχωριστή οικογένεια clustering.
6. Βασισμένο σε πλέγματα: STING, WaveCluster· το CLIQUE συνδυάζει πλέγματα και αναζήτηση υποχώρων.

Πρόσθετοι άξονες: σκληρή / ασαφής ή πιθανοτική ανάθεση, πλήρης ανάθεση / δυνατότητα θορύβου, πλήρης χώρος / υποχώροι. Οι βαθμοί ασαφούς συμμετοχής δεν ταυτίζονται αναγκαστικά με πιθανότητες. Kernel K-means: επέκταση με kernel. Υπάρχουν επίσης νευρωνικές, βαθιές και άλλες σύγχρονες προσεγγίσεις· ο χάρτης δεν τις εξαντλεί.

Ειδικές διευκρινίσεις της σειράς
• Βίντεο 1: απουσία labels δεν αποκλείει κάθε μάθηση ή εκπαίδευση· αποκλείει τη συνήθη εποπτευόμενη εκπαίδευση ταξινομητή για αυτά τα labels. Το clustering είναι μία επιλογή, όχι η μόνη μορφή μη επιβλεπόμενης μάθησης.
• Βίντεο 2: συνοχή και διαχωρισμός είναι διαισθητικές αρχές. Δεν απαιτούν όλοι οι αλγόριθμοι μικρή απόσταση ανάμεσα σε κάθε ζεύγος μελών, ειδικά σε μη κυρτές ομάδες.
• Βίντεο 3: τα δεδομένα είναι συνθετικά και οι 6 / 3 / 2 ομάδες δείχνουν διαφορετικές κλίμακες.
• Βίντεο 4: οι θέσεις ζώων είναι σχηματικές, όχι πραγματικές μετρήσεις. Η ομοιότητα μεγέθους και η βιολογική συγγένεια απαντούν σε διαφορετικά ερωτήματα.
• Αριστοτέλης: ιστορική αναλογία σύγκρισης γνωρισμάτων, χωρίς απόδοση εφεύρεσης σύγχρονου clustering.

ΒΙΒΛΙΟΓΡΑΦΙΑ
Jain, A. K., Murty, M. N., & Flynn, P. J. (1999). Data clustering: a review. ACM Computing Surveys, 31(3), 264–323. https://doi.org/10.1145/331499.331504
Πλήρες κείμενο: https://www.eliassi.org/jain99data-clustering-review.pdf

Xu, R., & Wunsch, D. (2005). Survey of clustering algorithms. IEEE Transactions on Neural Networks, 16(3), 645–678. https://doi.org/10.1109/TNN.2005.845141
Ιδίως ενότητα II και σ. 647–649 για τους διαφορετικούς άξονες ταξινόμησης.
Πλήρες κείμενο: https://i2pc.es/coss/Docencia/SignalProcessingReviews/Xu2005.pdf

von Luxburg, U. (2007). A tutorial on spectral clustering. Statistics and Computing, 17, 395–416. https://doi.org/10.1007/s11222-007-9033-z
Πλήρες κείμενο: https://arxiv.org/abs/0711.0189

Scikit-learn, επίσημη τεκμηρίωση: Clustering. Πίνακας μεθόδων και ενότητες hierarchical, DBSCAN, OPTICS, HDBSCAN, spectral clustering.
https://scikit-learn.org/stable/modules/clustering.html

Αριστοτέλης, Περὶ τὰ ζῷα ἱστορίαι, Βιβλίο I: σύγκριση μορφής, μερών και τρόπου ζωής.
https://penelope.uchicago.edu/aristotle/histanimals1.html

ΠΡΟΔΙΑΓΡΑΦΕΣ
1920×1080, 16:9, 30 fps εξόδου, MP4 H.264 / AAC, ελληνική συνθετική ανδρική αφήγηση. Σκούρο φόντο, λευκό, γαλάζιο, πορτοκαλί και πράσινο. Κάθε βίντεο ξεκινά με ερώτημα. Το πέμπτο δεν περιέχει καταληκτική ατάκα.
Συνοδεύονται από προαιρετικούς ελληνικούς υπότιτλους SRT και πλήρη κείμενα αφήγησης.
