Kernel K-means: Analyse et applications

Cette séance de cours couvre les principes et les étapes de l'algorithme Kernel K-means, y compris la dérivation de la version du noyau, la division géométrique de l'espace en utilisant différents noyaux, et les avantages, la sensibilité, les hyperparamètres et les limites du clustering K-means. Il explore également le concept de Kernel K-moyens pour effectuer un clustering non linéaire avec la norme 2 dans l'espace des fonctionnalités, la minimisation des fonctions objectives et la procédure itérative impliquée. La séance de cours se termine par une analyse des termes dans Kernel K-means, un exercice sur le partitionnement de l'espace avec différents noyaux, et les limitations et considérations lors du choix du nombre de clusters.