Apprentissage non supervisé - Clustering

Ects : 2

Enseignant responsable :

Volume horaire : 18

Description du contenu de l'enseignement :

  • Méthode des k-means et variantes
  • Méthodes de classification hiérarchique
  • Classification non supervisée par modèles génératifs de mélange algorithme EM
  • Spectral clustering
  • Méthode Dbscan
  • Autoencodeur et clustering

Les notions du cours seront illustrées par des traitements de jeux de données avec R.

Compétence à acquérir :

Ce cours a pour objectif de présenter les principes et les champs d'application des méthodes actuelles de clustering (i.e. classification non supervisée).

Mode de contrôle des connaissances :

Examen + projet

Bibliographie, lectures recommandées

  • Lebart, L., Piron, M. , Morineau, A. (2006) (4ème edition, refondue) Statistique Exploratoire Multidimensionnelle, 480 pages, Dunod.
  • Bouveyron, Ch., Celeux, Ch., Murphy, T. B. , Raftery, A. E. (2019) Model-Based Clustering and Classification for Data Science - with Applications in R, Cambridge University Press
  • Shalev-Shwartz, S., Ben-David, S. (2014). Understanding Machine Learning - From Theory to Algorithms. Cambridge University Press