Apprentissage supervisé — définition ?
Modèle entraîné avec données étiquetées.
Apprentissage non supervisé — rôle ?
Découvrir structure cachée sans étiquettes.
Clustering — objectif ?
Grouper données en sous-ensembles homogènes.
Intra-classe — but ?
Maximiser la proximité des points d’un même cluster.
Mesure Euclidienne — formule ?
√(Σ(xᵢ - yᵢ)²) pour deux points.
Distance Manhattan — différence ?
Somme des valeurs absolues des différences.
Distance Chebyshev — caractéristique ?
Maximum des différences absolues.
Distance cosinus — rôle ?
Mesure de similarité d’orientation entre vecteurs.
K-means — principe ?
Minimiser l'inertie intra-classe par itérations.
K-means — étape initiale ?
Choix des centroïdes, aléatoire ou K-means++.
CAH — fonctionnement ?
Fusion hiérarchique à partir de clusters unitaires.
Dendrogramme — utilité ?
Visualiser la hiérarchie des clusters.
Inertie intra-classe — mesure ?
Compacité des clusters, plus faible est mieux.
Méthode du coude — objectif ?
Choisir k où la réduction d'inertie diminue.
Coefficient de silhouette — indication ?
Qualité de l’affectation à un cluster.
K-means vs CAH — différence ?
K-means rapide, CAH hiérarchique, forme et visualisation.
Testez vos connaissances avec un QCM de 8 questions sur Introduction au clustering en IA.
1. En quoi le principe de K-means diffère-t-il de l'initialisation avec K-means++ ?
2. Quelle affirmation correspond au sujet « Définition, objectifs et applications du clustering en apprentissage non supervisé » ?
Révisez le cours complet dans la fiche de révision de Introduction au clustering en IA.
Voir la fiche →Bases de données
Bases de données
Programmation
Programmation
Importe ton cours et l'IA génère des flashcards en 30 secondes.
Générateur de flashcards