Séance de cours

K-means Clustering: Algorithme de Lloyd et espace RVB

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.

Dans cours

EE-311: Apprentissage et intelligence artificielle

Ce cours présente une vue générale des techniques d'apprentissage automatique, passant en revue les algorithmes, le formalisme théorique et les protocoles expérimentaux. ...

Description

Cette séance de cours couvre la méthode K-means, en se concentrant sur la minimisation de la variance intra-cluster en utilisant l'algorithme de Lloyd. Il explique le processus étape par étape d'attribution des observations aux grappes et de recalcul des centroïdes. L'application de K-moyens dans le clustering de couleurs pour la segmentation d'image est également discutée, illustrant comment les pixels sont affectés aux clusters basés sur des valeurs RVB.

Enseignant·e·s (2)

Michael Stefan Daniel Liebling

Enseignement et PhD A co-dirigé les thèses EPFL de Christian Jaques, Olivia Mariani, Adrian Shajkofci, François Thierry M Marelli Cours Apprentissage et intelligence artificielle EE-311 Ce cours présente une vue générale des techniques d'apprentissage automatique, passant en revue les algorithmes, le formalisme théorique et les protocoles expérimentaux.

François Fleuret

Source officielle

Concepts associés (25)

K-moyennes

Le partitionnement en k-moyennes (ou k-means en anglais) est une méthode de partitionnement de données et un problème d'optimisation combinatoire. Étant donnés des points et un entier k, le problème est de diviser les points en k groupes, souvent appelés clusters, de façon à minimiser une certaine fonction. On considère la distance d'un point à la moyenne des points de son cluster ; la fonction à minimiser est la somme des carrés de ces distances.

Regroupement hiérarchique

Dans le domaine de l'analyse et de la classification automatique de données, le regroupement hiérarchique est un partitionnement de données ou clustering, au moyen de diverses méthodes, dites « ascendantes » et « descendantes ». Les méthodes dites « descendantes » partent d’une solution générale vers une autre plus spécifique. Les méthodes de cette catégorie démarrent avec une seule classe contenant la totalité puis se divisent à chaque étape selon un critère jusqu’à l’obtention d’un ensemble de classes différentes.

Object co-segmentation

In computer vision, object co-segmentation is a special case of , which is defined as jointly segmenting semantically similar objects in multiple images or video frames. It is often challenging to extract segmentation masks of a target/object from a noisy collection of images or video frames, which involves object discovery coupled with . A noisy collection implies that the object/target is present sporadically in a set of images or the object/target disappears intermittently throughout the video of interest.

Adobe RGB

Adobe RVB est un espace de couleur Rouge Vert Bleu (RVB) créé par Adobe Systems en 1998. Il a été conçu pour les graphistes dont le travail sur écran se destine à l'impression. Le codage de couleurs sRGB antérieur à Adobe RGB, englobe un peu moins de la moitié de la totalité des couleurs visibles, qui ont toutes une représentation dans l'espace CIE 1931. Son rapport avec cet espace se fonde sur les écrans d'ordinateurs à tube cathodique, hérités de ceux de la télévision en couleurs.

Medical image computing

Medical image computing (MIC) is an interdisciplinary field at the intersection of computer science, information engineering, electrical engineering, physics, mathematics and medicine. This field develops computational and mathematical methods for solving problems pertaining to medical images and their use for biomedical research and clinical care. The main goal of MIC is to extract clinically relevant information or knowledge from medical images.

Afficher plus

Séances de cours associées (64)

Clustering: Apprentissage sans supervision

Couvre les algorithmes de regroupement, les méthodes d'évaluation et les applications pratiques dans l'apprentissage automatique.

Segmentation : théorie et algorithmes

Couvre la théorie et les algorithmes derrière la segmentation de l'image, en se concentrant sur l'identification et l'évaluation de la région.

Estimation du regroupement et de la densité

Couvre la réduction de dimensionnalité, l'APC, les techniques de regroupement et les méthodes d'estimation de la densité.

Segmentation de l'image: K-moyens et espaces de couleurs

Explore la segmentation de l'image à l'aide de K-means clustering et discute de l'impact des différents espaces de couleurs.

Estimation du regroupement et de la densité

Couvre les algorithmes de clustering, PCA, LDA, K-means, GMM, KDE et Mean Shift pour l'estimation de la densité et le clustering.

Afficher plus

Concepts associés (25)

K-moyennes

Regroupement hiérarchique

Object co-segmentation

Adobe RGB

Medical image computing

Afficher plus