Clustering: Apprentissage sans supervision

Cette séance de cours couvre le problème du clustering, où les points sont regroupés en grappes basées sur des mesures de distance dans l'espace à haute dimension. Il traite des caractéristiques, des méthodes et des exemples de clustering, y compris le clustering hiérarchique et K-means. L'instructeur explique les défis du regroupement dans des espaces de grande dimension et donne un aperçu de l'algorithme K-means, de ses propriétés, de ses inconvénients et des moyens de déterminer le nombre optimal de clusters. De plus, des méthodes de clustering basées sur la densité telles que DBSCAN sont introduites, soulignant leurs avantages par rapport aux méthodes basées sur le centroïde. La séance de cours se termine par une explication détaillée de l'algorithme DBSCAN et de ses performances.