Clustering: Apprentissage sans supervision

Cette séance de cours couvre les concepts de réduction de la dimensionnalité à l'aide de l'analyse en composantes principales (PCA) et du noyau PCA, ainsi que l'application d'algorithmes de clustering tels que K-means. Il s'intéresse également à l'analyse discriminante linéaire de Fisher (LDA) pour séparer les classes dans les données. La présentation comprend des explications détaillées sur les algorithmes, leurs objectifs et leurs propriétés, ainsi que des exemples pratiques et des démonstrations. En outre, il explore les défis de la gestion des données non linéaires et l'utilisation du clustering spectral pour la connectivité basée sur les graphiques. La séance de cours se termine par un aperçu de l'état de l'apprentissage automatique au cours des dernières années sur la base d'enquêtes auprès de scientifiques de données.