Introduction au clustering : méthodes et applications

À propos
Confidentialité
Mentions légales

Graph Chatbot

Séances de cours associées (32)

Page 3 sur 4

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.

Regroupement: K-means & LDA

Couvre le clustering en utilisant les propriétés K-means et LDA, PCA, K-means, Fisher LDA et le clustering spectral.

Apprentissage sans supervision : regroupement et réduction de dimensionnalité

Introduit l'apprentissage non supervisé en cluster avec les moyennes K et la réduction de dimensionnalité à l'aide de PCA, ainsi que des exemples pratiques.

Clustering : K-Means

Couvre le clustering et l'algorithme K-means pour partitionner les ensembles de données en clusters en fonction de la similarité.

Règles de voisinage les plus près: Partie 2

Explore les règles de voisinage les plus proches, les défis de l'algorithme k-NN, le classificateur Bayes et l'algorithme k-means pour le regroupement.

Apprentissage supervisé : arbre k-NN et arbre de décision

Introduit l'apprentissage supervisé avec k-NN et les arbres de décision, couvrant les techniques, les exemples et les méthodes d'ensemble.

Classification : Introduction

Couvre le clustering et la classification, la construction de modèles pour affecter des objets à des classes basées sur des valeurs d'attributs.

Clusters et communautés

Explore le clustering, la détection de communauté, K-means, GMM, la modularité et la méthode Louvain.

Clustering : réduction de la dimensionnalité

Explore les techniques de clustering et de réduction de la dimensionnalité en finance pour nettoyer et simplifier les données.

Fondements de l'apprentissage automatique

Couvre les principes fondamentaux et les méthodes de l'apprentissage automatique, y compris les techniques d'apprentissage supervisé et non supervisé.