Introduction au clustering en IA

📋 Plan du Cours

1. Apprentissage supervisé et non supervisé en intelligence artificielle
2. Définition, objectifs et applications du clustering en apprentissage non supervisé
3. Mesures de distance utilisées en clustering : Euclidienne, Manhattan, Chebyshev et cosinus
4. Algorithme K-means : principe, étapes, initialisation et critère d'optimalité
5. Classification Ascendante Hiérarchique (CAH) : fonctionnement, dendrogramme et critères de fusion
6. Évaluation des clusters : inertie intra-classe, méthode du coude et coefficient de silhouette
7. Comparaison pratique entre K-means et CAH selon taille de données, forme des clusters et visualisation
8. Pipeline combinant ACP et clustering pour réduire la dimensionnalité avant classification

📖 1. Apprentissage supervisé et non supervisé en intelligence artificielle

🔑 Notions clés & Définitions

• Supervisé Données d'entrainement : Ensemble d'exemples pour lesquels les étiquettes sont connues et fournies au modèle afin qu'il apprenne à reproduire ces étiquettes.
• Apprentissage supervisé : Approche d'apprentissage où un modèle est entraîné à partir de données d'entraînement étiquetées pour apprendre à prédire ces étiquettes sur de nouveaux exemples.

📝 Points essentiels