Méthode K-Means du noyau

Cette séance de cours couvre la méthode k-means du noyau, qui vise à éviter les solutions suboptimales en initialisant les centroïdes pour maximiser leur dispersion parmi les données. Il introduit le concept de noyaux pour décrire les données dans les espaces non euclides, permettant la formation de clusters non convexes. La séance de cours explique la dérivation de l'algorithme k-means du noyau, mettant en évidence le calcul des distances entre les observations et les centroïdes. Il traite également de l'application de machines vectorielles de soutien (SVM) à des problèmes non linéaires par redescription des données dans les espaces Hilbert. De plus, la séance de cours explore le regroupement par densité, en mettant l'accent sur l'identification des régions denses dans les ensembles de données sans étiquettes prédéfinies.