Akademik Veri Yönetim Sistemi
18. İstatistik Öğrenci Kolokyumu, Çanakkale, Türkiye, 18 - 19 Ekim 2025, (Yayınlanmadı)
Makine Öğrenmesi bağlamında, Kümeleme Algoritmaları Denetimsiz Öğrenmenin temelini oluşturur ve temel amacı, etiketlenmemiş bir veri setindeki benzer özelliklere sahip veri noktalarını doğal gruplara (kümelere) ayırmaktır. Bu gruplama sürecinde, aynı kümedeki verilerin birbirine olan benzerliği maksimuma çıkarılırken, farklı kümeler arasındaki farklılık da maksimuma çıkarılır. Bu amaçla K-Means, FCM ve hiyerarşik kümeleme gibi algoritmalar yaygın olarak kullanılır. Öte yandan, Yönsel Kümeleme Algoritmaları ise, rüzgar yönü, renk özü değerleri veya metin vektörleri gibi açısal veya yönsel yapıda olan özel veri türleri için geliştirilmiş özelleşmiş bir yaklaşımdır. Bu tür verilerde, 0 ile 359 derece gibi noktalar sayısal olarak uzak olsalar bile açısal olarak birbirine çok yakındır; standart Öklid uzaklığına dayanan algoritmalar bu yakınlığı yakalayamadığı için, yönsel kümeleme modsal yaklaşım ve kosinüs uzaklığı gibi açısal metrikleri kullanarak verilerin yönlerini dikkate alır ve daha doğru gruplamalar gerçekleştirir