Explore le centroïde, le médioïde, l'homogénéité, la séparabilité dans le clustering, l'évaluation de la qualité, la stabilité, les connaissances d'experts et les algorithmes de clustering.
Couvre le modèle de bloc stochastique pour la détection de la communauté, en se concentrant sur la détection des communautés, des clusters et des groupes.
Couvre les techniques de réduction de dimensionnalité, de regroupement et d'estimation de la densité, y compris l'ACP, les moyennes K, le MGM et le décalage moyen.
Couvre la théorie et la pratique des algorithmes de regroupement, y compris PCA, K-means, Fisher LDA, groupement spectral et réduction de dimensionnalité.
Introduit des techniques de clustering d'apprentissage automatique non supervisées telles que K-means, Gaussian Mixture Models et DBSCAN, expliquant leurs algorithmes et leurs applications.
Couvre l'analyse de la lentille gravitationnelle dans les amas de galaxies, en se concentrant sur la distribution de masse et la précision obtenues dans le modèle de masse du amas de galaxie MACSJ0416.1-2403.
Explore la formation de complexes moléculaires pendant l'adhérence cellulaire à l'aide de techniques d'imagerie monoprotéique et de simulations ADN-PAINT.
