Accéder au contenu principal

Cours

Analyse de clusters en Python

IntermédiaireNiveau de compétence

Actualisé 04/2026

Dans ce cours, vous découvrirez l’apprentissage non supervisé via des techniques comme le clustering hiérarchique et k-means avec la bibliothèque SciPy.

Commencer le cours gratuitement

PythonMachine Learning

4 h

14 vidéos

46 Exercices

3,650 XP

65,111

Certificat de formation

Apprécié par des utilisateurs provenant de milliers d'entreprises

Former une équipe ?

Essayez pour les entreprises

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

Intermediate Python

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 base

Unsupervised learning dans le monde réel

Observations de Pokémon

Bases de l’analyse de clusters

Observations de Pokémon : clustering hiérarchique

Observations de Pokémon : clustering k-means

Préparation des données pour l’analyse de clusters

Normaliser des données de base sous forme de liste

Visualiser des données normalisées

Normalisation de petits nombres

FIFA 18 : Normaliser les données

Commencer le chapitre

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.

Notions de base du clustering hiérarchique

Clustering hiérarchique : méthode de Ward

Clustering hiérarchique : méthode single

Clustering hiérarchique : méthode complete

Visualiser les clusters

Visualiser des clusters avec matplotlib

Visualiser des clusters avec seaborn

Combien de clusters ?

Créer un dendrogramme

Combien de clusters dans les données du Comic Con ?

Limites du clustering hiérarchique

Chronométrer l’exécution du clustering hiérarchique

FIFA 18 : explorer les défenseurs

Commencer le chapitre

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.

Notions de base du clustering k-means

Clustering k-means : premier exercice

Temps d’exécution du k-means

Combien de clusters ?

Méthode du coude sur des clusters distincts

Méthode du coude sur des données uniformes

Limites du clustering k-means

Impact des graines aléatoires sur des clusters distincts

Motifs de regroupement uniformes

FIFA 18 : retour sur les défenseurs

Commencer le chapitre

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.

Couleurs dominantes dans les images

Extraire les valeurs RVB d’une image

Combien de couleurs dominantes ?

Afficher les couleurs dominantes

Regroupement de documents

TF-IDF des intrigues de films

Termes principaux dans les clusters de films

Regrouper avec plusieurs variables

Regroupement avec de nombreuses caractéristiques

Vérifications de base sur les clusters

FIFA 18 : qu’est-ce qui fait un joueur complet ?

Au revoir !

Commencer le chapitre

Analyse de clusters en Python

Cours
terminé

Obtenez un certificat de réussite

Ajoutez cette certification à votre profil LinkedIn, à votre CV ou à votre portfolio
Partagez-la sur les réseaux sociaux et dans votre évaluation de performanceS'inscrire maintenant

Rejoignez plus de 19 millions d'utilisateurs et commencez Analyse de clusters en Python dès aujourd'hui !

Apprenez où que vous soyez avec l'application DataCamp

Progressez où que vous soyez grâce à nos cours conçus pour mobile et à nos défis quotidiens de 5 minutes.