Apprentissage non supervisé : réduction de la dimensionnalité et regroupement

Cette séance de cours présente l'apprentissage non supervisé, en mettant l'accent sur la réduction des dimensions et le regroupement. L'instructeur couvre des sujets tels que l'analyse des composantes principales et l'algorithme K-means. À travers des exemples, la séance de cours explique comment l’apprentissage non supervisé aide à trouver des modèles dans les données sans étiquettes, ce qui le rend idéal pour l’analyse exploratoire et la visualisation des données. Le concept de PCA est exploré, montrant comment il réduit les données de haute dimension à un espace de dimension inférieure. La séance de cours se penche également sur le clustering, où les points de données sont regroupés en fonction des similitudes de leurs caractéristiques. L'algorithme K-means est considéré comme une approche heuristique du clustering, visant à trouver des centres de clusters représentatifs en assignant itérativement des points de données au centre le plus proche. La séance de cours se termine par des applications pratiques de l'apprentissage non supervisé dans les systèmes de recommandation, l'analyse de texte et le traitement d'image.