Build your ultimate AI agent
Description du cours
Vous avez sans doute déjà utilisé Google Actualités, qui regroupe automatiquement des articles similaires sous un même thème. Vous êtes-vous demandé quel processus se cache derrière ces regroupements ? Dans ce cours, vous allez découvrir l’apprentissage non supervisé au travers du clustering avec la bibliothèque SciPy en Python. Le cours couvre le prétraitement des données et l’application du clustering hiérarchique et de k-means. Tout au long du cours, vous explorerez les statistiques de joueurs issues d’un célèbre jeu vidéo de football, FIFA 18. À la fin, vous serez en mesure d’appliquer rapidement différents algorithmes de clustering à des données, de visualiser les clusters formés et d’analyser les résultats.
Prérequis
Programme de formation
Plan du cours
1
Introduction au clustering
Avant de pouvoir classer des articles d’actualité, il est essentiel de découvrir les bases du clustering. Ce chapitre vous familiarise avec une classe d’algorithmes de Machine Learning appelée apprentissage non supervisé, puis vous présente le clustering, l’un de ses algorithmes phares. Vous verrez deux techniques de clustering populaires : le clustering hiérarchique et le clustering k-means. Le chapitre se termine par les étapes de prétraitement essentielles avant de commencer à regrouper des données.
- Machine Learning non supervisé : notions de base50 XP
- Unsupervised learning dans le monde réel50 XP
- Observations de Pokémon100 XP
- Bases de l’analyse de clusters50 XP
- Observations de Pokémon : clustering hiérarchique100 XP
- Observations de Pokémon : clustering k-means100 XP
- Préparation des données pour l’analyse de clusters50 XP
- Normaliser des données de base sous forme de liste100 XP
- Visualiser des données normalisées100 XP
- Normalisation de petits nombres100 XP
- FIFA 18 : Normaliser les données100 XP
2
Clustering hiérarchique
Ce chapitre s’intéresse à un algorithme de clustering très répandu — le clustering hiérarchique — et à son implémentation dans SciPy. Au-delà de la procédure pour réaliser un clustering hiérarchique, il vous aide à répondre à une question clé : combien de clusters votre jeu de données contient-il ? Le chapitre se conclut par une présentation des limites du clustering hiérarchique et des points d’attention lors de son utilisation.
3
Clustering k-means
Ce chapitre présente un autre algorithme de clustering — le clustering k-means — et son implémentation dans SciPy. Le k-means corrige le principal inconvénient du clustering hiérarchique évoqué au chapitre précédent. Les dendrogrammes étant propres au clustering hiérarchique, ce chapitre aborde une méthode pour déterminer le nombre de clusters avant d’exécuter k-means. Il se termine par une discussion sur les limites de k-means et les précautions à prendre lors de son usage.
4
Le clustering dans le monde réel
Maintenant que vous maîtrisez deux des techniques de clustering les plus utilisées, ce chapitre vous aide à appliquer ces connaissances à des problèmes concrets. Il commence par le processus d’extraction des couleurs dominantes d’une image, puis revient au problème présenté en introduction : le regroupement d’articles d’actualité. Le chapitre se conclut par une discussion sur le clustering avec de multiples variables, qui rend la visualisation de l’ensemble des données plus difficile.
Analyse de clusters en Python
Cours
terminé
