Couvre la théorie et la pratique des algorithmes de regroupement, y compris PCA, K-means, Fisher LDA, groupement spectral et réduction de dimensionnalité.
Explore Kernel Principal Component Analysis, une méthode non linéaire utilisant des noyaux pour la résolution linéaire de problèmes et la réduction des dimensions.
Explore le cluster spectral, la décomposition des valeurs propres, les matrices laplaciennes et l'identification des clusters au moyen de projections de vecteurs propres.
Explore l'entrelacement des familles de polynômes et des graphiques de Ramanujan à un côté, en se concentrant sur leurs propriétés et leurs méthodes de construction.
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.