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.
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.
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++.
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.
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.
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.
Explore la formation, l'optimisation et les considérations environnementales des réseaux neuronaux, avec des informations sur les clusters PCA et K-means.
Les couvertures comportent des méthodes d'extraction, de regroupement et de classification pour les ensembles de données de grande dimension et l'analyse comportementale utilisant PCA, t-SNE, k-means, GMM et divers algorithmes de classification.