Mediaspace scheduled maintenance: Aug 25, 2026 07:00 - 12:00 AM. During this time, videos will be temporarily unavailable. Check status updates.

Séance de cours

Clustering hiérarchique : Dendrogrammes et fonctions de liaison

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 les concepts de regroupement hiérarchique, y compris le regroupement par centroïdes et la densité, la visualisation par dendrogrammes et différentes fonctions de liaison telles que la liaison complète, unique et moyenne. L'instructeur explique comment le regroupement hiérarchique forme des grappes à différents niveaux et les critères d'agglomération des grappes basés sur des mesures de distance.

Cette vidéo est disponible exclusivement sur Mediaspace pour un public restreint. Veuillez vous connecter à Mediaspace pour y accéder si vous disposez des autorisations nécessaires.

Regarder sur Mediaspace

Enseignant·e·s (2)

Michael Stefan Daniel Liebling

François Fleuret

Source officielle

Concepts associés (10)

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.

Single-linkage clustering

In statistics, single-linkage clustering is one of several methods of hierarchical clustering. It is based on grouping clusters in bottom-up fashion (agglomerative clustering), at each step combining two clusters that contain the closest pair of elements not yet belonging to the same cluster as each other. This method tends to produce long thin clusters in which nearby elements of the same cluster have small distances, but elements at opposite ends of a cluster may be much farther from each other than two elements of other clusters.

Partitionnement de données

vignette|upright=1.2|Exemple de clustering hiérarchique. Le partitionnement de données (ou data clustering en anglais) est une méthode en analyse des données. Elle vise à diviser un ensemble de données en différents « paquets » homogènes, en ce sens que les données de chaque sous-ensemble partagent des caractéristiques communes, qui correspondent le plus souvent à des critères de proximité (similarité informatique) que l'on définit en introduisant des mesures et classes de distance entre objets.

Mécanisme à quatre barres

vignette|Mouvement guidé par un mécanisme à quatre barres, utilisé par exemple pour l'entraînement à griffe dans un projecteur de film 8 ou . vignette|Les essuie-glaces d'autocar sont montés sur un parallélogramme déformable. Un mécanisme à quatre barres est un système composé de quatre corps rigides, en général articulés entre eux par des liaisons tournantes : rotules ou pivots. Dans leur forme la plus simple, les pièces sont des barres, les liaisons étant aux extrémités des barres ; une des barres peut être le bâti de la machine.

Linkage (mechanical)

A mechanical linkage is an assembly of systems connected to manage forces and movement. The movement of a body, or link, is studied using geometry so the link is considered to be rigid. The connections between links are modeled as providing ideal movement, pure rotation or sliding for example, and are called joints. A linkage modeled as a network of rigid links and ideal joints is called a kinematic chain. Linkages may be constructed from open chains, closed chains, or a combination of open and closed chains.

Afficher plus

Séances de cours associées (33)

Méthodes de regroupement et réduction de dimensionnalité

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

Aperçu de l'apprentissage supervisé

Contient les CNN, les RNN, les SVM et les méthodes d'apprentissage supervisé, soulignant l'importance d'harmoniser la régularisation et de prendre des décisions éclairées dans le domaine de l'apprentissage automatique.

Apprentissage sans supervision : regroupement

Explore l'apprentissage non supervisé par des techniques de regroupement, des algorithmes, des applications et des défis dans divers domaines.

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.

Clustering: Apprentissage sans supervision

Explore le clustering dans l'espace à haute dimension, couvrant des méthodes telles que le clustering hiérarchique, K-means et DBSCAN.

Afficher plus

Concepts associés (10)

Regroupement hiérarchique

Single-linkage clustering

Partitionnement de données

Mécanisme à quatre barres

Linkage (mechanical)

Afficher plus