Couvre les concepts de lunettes de spin et d'estimation bayésienne, en se concentrant sur l'observation et la déduction de l'information d'un système de près.
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.
Examine les méthodes de regroupement pour la partition des données en classes significatives lorsque l'étiquetage est inconnu, couvrant les moyennes K, les mesures de dissimilarité et le regroupement hiérarchique.
Couvre les techniques de réduction de dimensionnalité, de regroupement et d'estimation de la densité, y compris l'ACP, les moyennes K, le MGM et le décalage moyen.
Explore le centroïde, le médioïde, l'homogénéité, la séparabilité dans le clustering, l'évaluation de la qualité, la stabilité, les connaissances d'experts et les algorithmes de clustering.
Introduit la méthode k-means du noyau pour former des grappes non convexes et discute du regroupement par densité pour identifier les régions denses dans les ensembles de données.
Couvre l'apprentissage non supervisé, en mettant l'accent sur la réduction de la dimensionnalité et le regroupement, en expliquant comment il aide à trouver des modèles dans les données sans étiquettes.
Introduit des méthodes de regroupement hiérarchique et k-means, en discutant des approches de construction, des fonctions de liaison, de la méthode de Ward, de l'algorithme Lloyd et de k-means++.
Explore le regroupement hiérarchique, les dendrogrammes et diverses fonctions de liaison pour l'agglomération de grappes en fonction de mesures de distance.
