Regroupement: K-means & LDA

Cette séance de cours couvre les concepts de clustering en utilisant K-moyens et Fisher Linear Discriminant Analysis (LDA). Il explique l'intuition derrière PCA, l'objectif de PCA, et comment maximiser la variance. Il se penche également sur l'APC du noyau et fournit des exemples d'applications de l'APC. La séance de cours présente l'algorithme de clustering K-means, ses propriétés et la méthode Elbow pour déterminer le nombre optimal de clusters. En outre, il discute de Fisher LDA, de ses fonctions objectives et de la façon dont il sépare les différentes classes. La séance de cours se termine par un aperçu du regroupement spectral et de la méthode de coupe normalisée.