Séance de cours

Soft K-means Clustering & DBSCAN

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 (63)

L'apprentissage automatique : fondamentaux et applications

Introduit des bases d'apprentissage automatique, couvrant la segmentation des données, le regroupement, la classification, et des applications pratiques comme la classification d'image et la similarité du visage.

Clustering : K-Means

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

Clustering: Méthodes hiérarchiques et méthodes K-means

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++.

Apprentissage sans supervision: PCA & K-means

Couvre l'apprentissage non supervisé avec l'APC et les moyennes K pour la réduction de dimensionnalité et le regroupement des données.

Introduction au clustering : méthodes et applications

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

Clustering semi-supervisé : SVM transductive

Explore Transductive Support Vector Machine pour le clustering semi-supervisé, visant une erreur nulle sur les points étiquetés et les points non étiquetés bien séparés.

Techniques de clustering : K-means et DBSCAN

Explore les techniques de regroupement k-means et DBSCAN, couvrant les types d'affectation et de classification des points de données.

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.

Estimation du regroupement et de la densité

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.

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.

Caractérisation des clusters : Homogénéité, Séparabilité

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.

Kernel K-Means: Preuve de convergence

Explore l'algorithme du noyau K-Means, la preuve de convergence, l'influence du noyau RBF et l'interprétation des regroupements.

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.

Évaluation pour le clustering

Couvre l'évaluation des méthodes de regroupement, y compris le regroupement des moyennes K et l'utilisation de mesures d'évaluation pour déterminer le nombre optimal de regroupements.

Apprentissage sans supervision : regroupement

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

K-means Clustering : étapes d'affectation et de mise à jour

Explique les étapes d'affectation et de mise à jour dans le clustering K-means, la minimisation des fonctions de perte et les effets métriques de distance.

Clustering Evaluation

Explore l'évaluation de clustering à l'aide de l'index RAND et des ontologies, suivi par les algorithmes de clustering classiques.

Apprentissage automatique: Types et applications

Couvre les types d'apprentissage automatique, y compris les apprentissages supervisés, non supervisés et renforcés.

Scène sémantique ouverte : SCIM

Présente le SCIM pour la compréhension de la scène sémantique du monde ouvert par regroupement, inférence et cartographie.

Réduction de dimensionnalité: PCA & t-SNE

Explore PCA et t-SNE pour réduire les dimensions et visualiser efficacement les données à haute dimension.