Séance de cours

Méthodes de regroupement

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 (64)

Apprentissage automatique: Techniques d'apprentissage supervisé et non supervisé

Couvre les techniques d'apprentissage supervisées et non supervisées dans l'apprentissage automatique, en mettant en évidence leurs applications dans la finance et l'analyse environnementale.

Clusters et communautés

Explore le clustering, la détection de communauté, K-means, GMM, la modularité et la méthode Louvain.

CS-233 - 2024: Lecture 13

Clustering : K-Means

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

Apprentissage automatique non supervisé: Clustering Basics

Introduit des techniques de clustering d'apprentissage automatique non supervisées telles que K-means, Gaussian Mixture Models et DBSCAN, expliquant leurs algorithmes et leurs applications.

Revue du Machine Learning

Couvre un examen des concepts d'apprentissage automatique, y compris l'apprentissage supervisé, la classification vs régression, les modèles linéaires, les fonctions du noyau, les machines vectorielles de soutien, la réduction de la dimensionnalité, les modèles génératifs profonds et la validation croisée.

Réduction des dimensions linéaires : PCA et LDA

Explore PCA et LDA pour la réduction de dimensionnalité linéaire dans les données, en mettant l'accent sur les techniques de clustering et de séparation de classe.

Découverte avancée de la structure : données sur les distances et les séries chronologiques

Explore les algorithmes de clustering, les mesures de distance et les techniques d'analyse de données de séries chronologiques.

Graph Mining : Réseaux sociaux et analyse de données

Explore l'exploration de graphes dans les réseaux sociaux, couvrant l'analyse de données et la détection de communauté.

Coloration graphique: aléatoire vs symétrique

Comparer la coloration aléatoire et symétrique des graphiques en termes de coloration et d'équilibre des amas.

Analyse statistique des réseaux : prévision des liens et biclustering

Explore la prédiction des liens, la régression logistique, l'inférence causale et le bigroupement dans l'analyse statistique des réseaux.

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: 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++.

Fondements de l'apprentissage automatique

Présente les bases de l'apprentissage automatique, les mesures de performance, les techniques d'optimisation et l'évaluation des modèles.

Exploration de données: Introduction

Couvre les défis et les opportunités de l'exploration de données, des questions pratiques, des composants d'algorithmes et des applications telles que l'analyse du panier d'achat.

Écosystèmes Big Data : technologies et défis

Couvre les fondamentaux des écosystèmes de big data, en se concentrant sur les technologies, les défis et les exercices pratiques avec le HDFS d'Hadoop.

Concepts d'apprentissage par renforcement

Couvre les concepts clés de l'apprentissage par renforcement, des réseaux neuronaux, du clustering et de l'apprentissage non supervisé, en mettant l'accent sur leurs applications et leurs défis.

Analyse des données sur la pollution atmosphérique

Couvre l'analyse des données sur la pollution atmosphérique, en se concentrant sur les bases de R, en visualisant des séries chronologiques et en créant des résumés des concentrations de polluants.

Apprentissage supervisé : arbre k-NN et arbre de décision

Introduit l'apprentissage supervisé avec k-NN et les arbres de décision, couvrant les techniques, les exemples et les méthodes d'ensemble.

Régression logistique : prédiction de la végétation

Explore la régression logistique pour prédire les proportions de la végétation dans la région amazonienne grâce à l'analyse des données de télédétection.