1) در این تحقیق تمامی آستانه گیری ها بر اساس میزان صحت نتایج نهایی و مدت زمان اجرای الگوریتم به صورت تجربی انتخاب می شوند.

2) در این تحقیق جهت ارزیابی عملکرد یک الگوریتم، نتایج اجرای آن را بر روی داده های استاندارد UCI در محیطی با شرایط و پارامترهای مشابه نسبت به سایر الگوریتم ها ارزیابی می کنیم که این داده ها الزاماً حجیم یا خیلی کوچک نیستند.

3) جهت اطمینان از صحت نتایج آزمایش ها ارائه شده در این تحقیق، حداقل اجرای هر الگوریتم بر روی هر داده ده بار تکرار شده و نتیجه نهایی میانگین نتایج به دست آمده می باشد.

4) از آنجایی که روش مطرح شده در این تحقیق یک روش مکاشفه ای است سعی خواهد شد بیشتر با روش های مکاشفه ای مطرح در خوشه بندی ترکیبی مقایسه و نتایج آن مورد بررسی قرار گیرد.

در این فصل اهداف، مفاهیم و چالش های این تحقیق به صورت خلاصه ارائه شد. در ادامه این تحقیق، در فصل دوم، الگوریتم های خوشه بندی پایه و روش های خوشه بندی تركیبی مورد بررسی قرار می گیرد. همچنین بهروش های انتخاب خوشه[31] و یا افراز[32] در خوشه بندی ترکیبی مبتنی بر انتخاب خواهیم پرداخت. در فصل سوم، نظریه خرد جمعی و دو روش پیشنهادی خوشه بندی خردمند ارائه می شود. در فصل چهارم، به ارائه نتایج آزمایش های تجربی این تحقیق و ارزیابی آن ها می پردازیم و در فصل پنجم، به ارائه ی نتایج و کار های آتی خواهیم پرداخت.

[1] Artificial Intelligent (AI)

[2] Machine Learning

[3] Data Mining

[4] Supervised

[5] Unsupervised

[6] Train Set

[7] Class

[8] Pattern

[9] Learning Model

[10] Predictive

[11] Classification

[12] Association rule mining

[13] Label

[14] Clustering

[15] Features

[16] Tacit knowledge

[17] Sub-Class

[18] Cluster Ensemble

[19] Cluster Ensemble Selection

[20] Normalized Mutual Information

[21] Maximum

[22] Alizadeh-Parvin-Moshki-Minaei