Séance de cours
Clustering: Apprentissage sans supervision
Séances de cours associées (65)
Groupement : moyenne en k
Explique le regroupement des moyennes k, en attribuant des points de données à des grappes en fonction de la proximité et en minimisant les distances carrées à l'intérieur des grappes.
Aperçu de l'apprentissage supervisé
Contient les CNN, les RNN, les SVM et les méthodes d'apprentissage supervisé, soulignant l'importance d'harmoniser la régularisation et de prendre des décisions éclairées dans le domaine de l'apprentissage automatique.
Prédire les précipitations: Miniprojet BIO-322
Introduit un mini-projet où les étudiants prédisent les précipitations à Pully en utilisant l'apprentissage automatique, en mettant l'accent sur la reproductibilité et la qualité du code.
Méthodes de regroupement
Couvre les méthodes de regroupement des moyennes K, hiérarchiques et DBSCAN avec des exemples pratiques.
Clustering: Théorie et pratique
Couvre la théorie et la pratique des algorithmes de regroupement, y compris PCA, K-means, Fisher LDA, groupement spectral et réduction de dimensionnalité.
Clustering des séries chronologiques
Couvre les séries chronologiques groupées à l'aide de modèles dynamiques de temps de distorsion, de chaînes de caractères et de Markov.
Apprentissage sans supervision : méthodes de regroupement
Couvre l'apprentissage non supervisé axé sur les méthodes de regroupement et les défis rencontrés dans les algorithmes de regroupement comme K-means et DBSCAN.
Estimation du regroupement et de la densité
Couvre la réduction de dimensionnalité, l'APC, les techniques de regroupement et les méthodes d'estimation de la densité.
Maximisation et regroupement des attentes
Couvre l'algorithme de maximisation des attentes et les techniques de regroupement, en mettant l'accent sur l'échantillonnage Gibbs et l'équilibre détaillé.
K-Means Clustering : bases et applications
Présentation de K-Means Clustering, un algorithme simple mais efficace pour regrouper des points de données en clusters.