Introduction au clustering non supervisé

📋 Plan du Cours

1. Principes et applications du clustering en apprentissage non supervisé
2. Mesures de distance utilisées en clustering
3. Algorithme K-means : fonctionnement et optimisation
4. Classification Ascendante Hiérarchique (CAH) et dendrogramme
5. Critères d’évaluation du clustering : inertie et coefficient de silhouette
6. Comparaison pratique entre K-means et CAH selon contexte, forme des clusters et volume de données
7. Exemples d’applications concrètes du clustering dans divers domaines
8. Réduction de dimension par ACP avant clustering et pipeline associé

📖 1. Principes et applications du clustering en apprentissage non supervisé

🔑 Notions clés & Définitions

• Apprentissage non supervisé : Type d'apprentissage où l'algorithme doit découvrir seul la structure cachée dans les données, sans disposer d'étiquettes.
• Intra-classe (compacité) : Critère visant à minimiser la distance entre les points appartenant à un même cluster pour assurer leur homogénéité.
• Inter-classe (séparation) : Clusters différents doivent être les plus éloignés possible les uns des autres.
• Clustering : La vraie vie !

📝 Points essentiels