Karteikarten: Introduction au clustering en IA — 16 Karten

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.