Méthodes de regroupement

À propos
Confidentialité
Mentions légales

Graph Chatbot

Description

Cette séance de cours couvre diverses méthodes de clusters comme le cluster K-means, le cluster hiérarchisé et le DBSCAN. Il explique les concepts de dissimilarité, de liaison et de représentation vectorielle utilisés dans les algorithmes de regroupement. Des exemples pratiques et des exercices sont fournis pour comprendre l'application de ces méthodes.

Cette vidéo est disponible exclusivement sur Mediaspace pour un public restreint. Veuillez vous connecter à Mediaspace pour y accéder si vous disposez des autorisations nécessaires.

Regarder sur Mediaspace

Source officielle

Proximité ontologique

Information engineering

Apprentissage automatique: Apprentissage non supervisé

Séances de cours associées (31)

https://mediaspace.epfl.ch/media/0_pt5ba2pn

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Proximité ontologique

Information engineering

Apprentissage automatique: Apprentissage non supervisé

Séances de cours associées (31)

Afficher plus

Analyse des composantes principales : réduction de la dimensionnalité

Couvre l'analyse des composantes principales pour la réduction de dimensionnalité, en explorant ses applications, ses limites et l'importance de choisir les composantes appropriées.

PCA: Directions de la plus grande variance

Couvre l'APC, trouvant les directions de la plus grande variance, la réduction de dimensionnalité des données et les limites de l'APC.

Analyse en composantes principales : Applications et limites

Explore les applications et les limites de l'analyse en composantes principales, y compris le débruitage, la compression et la régression.

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.

Apprentissage non supervisé : réduction de la dimensionnalité et regroupement

Couvre l'apprentissage non supervisé, en mettant l'accent sur la réduction de la dimensionnalité et le regroupement, en expliquant comment il aide à trouver des modèles dans les données sans étiquettes.