Séance de cours
Introduction au clustering : méthodes et applications
Dans cours
DEMO: quis magna ad
Occaecat eu elit mollit pariatur aliqua sit do amet tempor culpa quis. Eiusmod consectetur et dolor non qui dolore sunt. Enim non sint do cillum in adipisicing. Do sit ut consequat sint. Culpa irure fugiat duis reprehenderit magna reprehenderit consectetur cillum anim sunt. Veniam veniam consectetur sunt aliqua cillum culpa magna ullamco nostrud irure aliquip.
Description
Cette séance de cours introduit le concept de clustering, une méthode d’apprentissage non supervisé qui sépare les données en sous-groupes en fonction des similitudes. L'instructeur couvre des techniques telles que le clustering hiérarchique, les k-means et le clustering basé sur la densité, en soulignant l'importance d'évaluer les résultats du clustering et les applications pratiques dans divers domaines tels que l'analyse d'image, la segmentation du marché et le clustering de texte.
Enseignant
nulla non aliqua
Non velit magna cillum sunt Lorem esse irure duis sunt. Pariatur enim culpa velit cillum sit magna sint elit qui amet. Lorem pariatur tempor non amet amet dolore. Qui anim laboris minim nisi sunt eiusmod non.
Source officielle
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
Séances de cours associées (32)
Apprentissage sans supervision : regroupement
Explore l'apprentissage non supervisé par des techniques de regroupement, des algorithmes, des applications et des défis dans divers domaines.
Clustering: Apprentissage sans supervision
Couvre les algorithmes de regroupement, les méthodes d'évaluation et les applications pratiques dans l'apprentissage automatique.
Introduction à l'apprentissage automatique
Couvre les bases de l'apprentissage automatique pour les physiciens et les chimistes, en mettant l'accent sur la classification des images et l'étiquetage des ensembles de données.
Groupement : moyenne en k
Explique le regroupement des moyennes k, en attribuant des points de données à des grappes en fonction de la proximité et en minimisant les distances carrées à l'intérieur des grappes.
Introduction à la classification des images
Couvre la classification des images, le clustering et les techniques d'apprentissage automatique telles que la réduction de la dimensionnalité et l'apprentissage par renforcement.