Concept

Single-linkage clustering

Graph Chat

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.

Séances de cours associées (32)

Méthodes de regroupement et réduction de dimensionnalité

Couvre les méthodes de regroupement et les techniques de réduction de dimensionnalité.

Apprentissage sans supervision : méthodes de regroupement

Explore l'apprentissage non supervisé par des méthodes de regroupement comme K-means et DBSCAN, en abordant les défis et les applications.

Coloration graphique II

Explore les concepts avancés de coloration graphique, y compris la coloration plantée, le seuil de rigidité, et les variables gelées en points fixes BP.

Analyse par grappes : méthodes et applications

Explore les méthodes et applications d'analyse de grappes dans l'analyse des données génomiques, y compris la classification, l'expression des gènes, la visualisation, les mesures de distance et les algorithmes de regroupement.

Physique statistique des grappes

Explore la physique statistique des clusters, en se concentrant sur la complexité et le comportement d'équilibre.

Clustering : K-Means

Couvre le clustering et l'algorithme K-means pour partitionner les ensembles de données en clusters en fonction de la similarité.

Apprentissage supervisé : arbre k-NN et arbre de décision

Introduit l'apprentissage supervisé avec k-NN et les arbres de décision, couvrant les techniques, les exemples et les méthodes d'ensemble.

Méthodes de clustering : K-means et DBSCAN

Explore les méthodes de clustering K-means et DBSCAN, en discutant des propriétés, des inconvénients, de l'initialisation et de la sélection optimale des clusters.

Apprentissage sans supervision : regroupement et réduction de dimensionnalité

Introduit l'apprentissage non supervisé en cluster avec les moyennes K et la réduction de dimensionnalité à l'aide de PCA, ainsi que des exemples pratiques.

Résolution d'entités : Techniques et applications

Explore les techniques de résolution d'entités pour identifier et agréger différents profils d'entités à travers des ensembles de données, couvrant les défis et les solutions.

Kernel K-moyens de regroupement

Explore Kernel K- signifie regroupement, interprétation des solutions, traitement des données manquantes, et sélection des ensembles de données pour l'apprentissage automatique.

Exploitation efficace des données : Clustering

Explore le clustering d'actifs, l'optimisation de portefeuille et la dynamique de l'état du marché.

Introduction à l'apprentissage automatique

Couvre les bases de l'apprentissage automatique pour les physiciens et les chimistes, en mettant l'accent sur la classification des images et l'étiquetage des ensembles de données.

Classification : Introduction

Couvre le clustering et la classification, la construction de modèles pour affecter des objets à des classes basées sur des valeurs d'attributs.

Montage et clustering de données avec mélange de fonctions Gauss

Couvre le mélange des fonctions de Gauss, la modélisation de mélange gaussien et l'optimisation hyper-paramétrique.

Maximisation et regroupement des attentes

Couvre l'algorithme de maximisation des attentes et les techniques de regroupement, en mettant l'accent sur l'échantillonnage Gibbs et l'équilibre détaillé.

Réduction de la dimensionnalité : PCA et LDA

Couvre les techniques de réduction de dimensionnalité telles que PCA et LDA, les méthodes de clustering, l'estimation de la densité et la représentation des données.

Clusters et communautés

Explore le clustering, la détection de communauté, K-means, GMM, la modularité et la méthode Louvain.

Introduction au clustering : méthodes et applications

Couvre les bases du clustering dans l'apprentissage non supervisé et ses applications pratiques.

Clustering de données efficace

Couvre l'exploitation efficace des données grâce à des méthodes de clustering et à l'optimisation des rendements du marché à l'aide du clustering d'actifs.