AccueilCoursDécouverte des méthodes d’apprentissage non supervisé en Python

Apprentissage non supervisé

Chapitre 2 · Explorer les données grâce aux techniques de regroupement · leçon 2 sur 54
Réservée aux abonnés — voici son début
L'apprentissage non supervisé regroupe des techniques d'apprentissage automatique qui permettent de découvrir des motifs dans les données. Il peut notamment servir à identifier des groupes naturels de clients à partir de leurs historiques d'achats, à rechercher des régularités et des corrélations entre ces achats, ou encore à représenter les données sous une forme compressée. Ces approches reposent notamment sur deux techniques appelées clustering et réduction de dimension. Apprentissage supervisé et non supervisé L'apprentissage non supervisé se distingue de l'apprentissage supervisé. Par exemple, l'apprentissage supervisé peut utiliser des mesures de tumeurs pour les classer en deux catégo
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 supervisévous êtes ici
  • Déterminer le nombre optimal de groupesabonnés
  • 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

Déterminer le nombre optimal de groupes

Voir le programme Créer un compte pour continuer