Méthodes de clustering : K-means et DBSCAN

Cette séance de cours couvre les méthodes de clustering, en se concentrant sur les algorithmes K-means et DBSCAN. Il explique les concepts d'apprentissage automatique supervisé et non supervisé, le problème du clustering, les caractéristiques des méthodes de clustering, les cas d'utilisation pour le clustering et les défis du clustering de grande dimension. L'instructeur discute de l'algorithme K-means, de ses propriétés, de ses inconvénients, de son initialisation et de la façon de choisir le nombre optimal de clusters. En outre, la séance de cours se penche sur l'algorithme DBSCAN, son approche basée sur la densité, les points de base, les points accessibles en densité et le processus de regroupement DBSCAN. La présentation se termine par une comparaison des moyennes K et des performances de DBSCAN.