AccueilCoursDécouverte des méthodes d’apprentissage non supervisé en Python

Déterminer le nombre optimal de groupes

Chapitre 2 · Explorer les données grâce aux techniques de regroupement · leçon 3 sur 54
Réservée aux abonnés — voici son début
La suite de cette leçon est réservée aux abonnés Créez votre compte gratuit pour tester les exercices d’exemple, puis passez à l'accès complet quand vous le souhaitez.

Créez votre compte gratuit

Sans carte bancaire, en trente secondes.
Continuer avec Google
ou
S'inscrire avec un e-mail
Déjà inscrit ? Se connecter
En continuant, vous acceptez les conditions d'utilisation et la politique de confidentialité. Vos données sont hébergées dans l'Union européenne.

Accès complet DATAGOZ

19 €/ mois — ou 190 € / an
  • Tous les cours publiés et les parcours métier
  • Exercices et quiz corrigés automatiquement
  • Entraînement, examen et attestation de suivi
  • Sans engagement, résiliable en ligne
Voir les formules
Cette leçon fait partie du cours

Découverte des méthodes d’apprentissage non supervisé en Python

short_training6 chapitres · 54 leçons

Découvrez l’apprentissage non supervisé en Python.

  • La plateforme de formationabonnés
  • Apprentissage non superviséabonnés
  • Déterminer le nombre optimal de groupesvous êtes ici
  • Regrouper des points en deux dimensionsabonnés
  • Analyser les résultats du regroupementabonnés
  • Mesurer la qualité des groupes obtenusabonnés
  • Choisir le nombre de groupes pour les grainesabonnés
  • Évaluer les groupes formés à partir des grainesabonnés
  • Préparer les variables pour obtenir de meilleurs regroupementsabonnés
  • Standardiser les données de poissons avant le regroupementabonnés
  • Identifier des groupes parmi les poissonsabonnés
  • Classer les actions en groupes avec K-meansabonnés
  • Repérer les actions aux évolutions similairesabonnés
  • Visualiser les structures hiérarchiques des donnéesabonnés
  • Déterminer le nombre de fusions nécessairesabonnés
  • Regrouper les données sur les graines par classification hiérarchiqueabonnés
  • Analyser les relations hiérarchiques entre les actionsabonnés
  • Attribuer des étiquettes aux groupes issus du clustering hiérarchiqueabonnés
  • Identifier les groupes de données les plus prochesabonnés
  • Comparer les regroupements hiérarchiques selon les méthodes de liaisonabonnés
  • Étudier les regroupements à différents niveaux de la hiérarchieabonnés
  • Extraire les étiquettes des groupes formésabonnés
  • Projeter les données en deux dimensions avec t-SNEabonnés
  • Visualiser les données sur les céréales avec t-SNEabonnés
  • Cartographier les similitudes entre les actions avec t-SNEabonnés
  • Visualiser le fonctionnement de la PCAabonnés
  • Repérer les corrélations naturelles entre les donnéesabonnés
  • Décorréler les mesures des graines grâce à la PCAabonnés
  • Identifier les composantes principalesabonnés
  • Déterminer la dimension intrinsèque des donnéesabonnés
  • Analyser le rôle de la première composante principaleabonnés
  • Étudier la variance expliquée par les composantes de la PCAabonnés
  • Estimer la dimension intrinsèque des données sur les poissonsabonnés
  • Réduire le nombre de dimensions avec la PCAabonnés
  • Simplifier les mesures des poissons grâce à la réduction dimensionnelleabonnés
  • Représenter les mots avec les scores TF-IDFabonnés
  • Regrouper les articles Wikipédia, première partieabonnés
  • Poursuivre le regroupement des articles Wikipédia, deuxième partieabonnés
  • Découvrir la factorisation matricielle non négative (NMF)abonnés
  • Identifier les données composées de valeurs non négativesabonnés
  • Appliquer la NMF aux articles Wikipédiaabonnés
  • Extraire des caractéristiques des articles Wikipédia avec la NMFabonnés
  • Reconstruire les données à partir des composantes NMFabonnés
  • Décomposer les données en éléments interprétables grâce à la NMFabonnés
  • Identifier les thèmes des documents avec la NMFabonnés
  • Explorer le jeu de données des chiffres représentés par des LEDabonnés
  • Extraire les composantes des images avec la NMFabonnés
  • Comprendre pourquoi l’ACP ne permet pas d’identifier des parties distinctesabonnés
  • Créer des systèmes de recommandation avec la NMFabonnés
  • Trouver des articles similaires à celui de Cristiano Ronaldoabonnés
  • Recommander des artistes musicaux, première partieabonnés
  • Améliorer les recommandations d’artistes musicaux, deuxième partieabonnés
  • Faire le point sur les méthodes de découverte de caractéristiques interprétablesabonnés
  • Conclusion de la formationabonnés
Leçon suivante

Regrouper des points en deux dimensions

Voir le programme Créer un compte pour continuer