Séance de cours

Apprentissage sans supervision : regroupement et réduction de dimensionnalité

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.

Dans cours

ME-390: Foundations of artificial intelligence

This course provides the students with 1) a set of theoretical concepts to understand the machine learning approach; and 2) a subset of the tools to use this approach for problems arising in mechanical engineering applications. ...

Description

Cette séance de cours couvre les principes fondamentaux de l'apprentissage non supervisé, en mettant l'accent sur le regroupement avec les moyennes K et la réduction de dimensionnalité à l'aide de l'analyse des composantes principales (APC). Il explique comment l'apprentissage non supervisé identifie les modèles dans les données sans étiquettes prédéfinies. L'instructeur discute de l'algorithme des moyennes K pour le regroupement des points de données en fonction de la proximité et de l'APC pour trouver un nouvel ensemble de fonctionnalités qui représentent le mieux les données. La séance de cours présente également les autoencodeurs comme des réseaux neuronaux pour la réduction de dimensionnalité. Des exemples pratiques et des applications sont fournis pour illustrer les concepts.

Enseignant·e

Maryam Kamgarpour

Enseignement et PhD Doctorant·es actuel·les Giulio Salizzoni, Tingting Ni, Saurabh Dilip Vaishampayan, Andreas Schlaginhaufen, Kai Ren, Anna Maria Maddux, Gabriel Vallat, Philip Jordan, Yasaman Zolfimoselo, Daniele De Cecco, Gregorio Valenti A co-dirigé les thèses EPFL de Baiwei Guo Cours Foundations of artificial intelligence ME-390 Ce cours fournit aux étudiants la théorie de base pour comprendre l'approche de l'apprentissage automatique (machine learning), et les outils pour utiliser l'

Source officielle

Proximité ontologique

Mathématiques

Algèbre: Algèbre linéaire

Concepts associés (32)

K-moyennes

Le partitionnement en k-moyennes (ou k-means en anglais) est une méthode de partitionnement de données et un problème d'optimisation combinatoire. Étant donnés des points et un entier k, le problème est de diviser les points en k groupes, souvent appelés clusters, de façon à minimiser une certaine fonction. On considère la distance d'un point à la moyenne des points de son cluster ; la fonction à minimiser est la somme des carrés de ces distances.

Analyse des données

L’analyse des données (aussi appelée analyse exploratoire des données ou AED) est une famille de méthodes statistiques dont les principales caractéristiques sont d'être multidimensionnelles et descriptives. Dans l'acception française, la terminologie « analyse des données » désigne donc un sous-ensemble de ce qui est appelé plus généralement la statistique multivariée. Certaines méthodes, pour la plupart géométriques, aident à faire ressortir les relations pouvant exister entre les différentes données et à en tirer une information statistique qui permet de décrire de façon plus succincte les principales informations contenues dans ces données.

Apprentissage automatique

L'apprentissage automatique (en anglais : machine learning, « apprentissage machine »), apprentissage artificiel ou apprentissage statistique est un champ d'étude de l'intelligence artificielle qui se fonde sur des approches mathématiques et statistiques pour donner aux ordinateurs la capacité d'« apprendre » à partir de données, c'est-à-dire d'améliorer leurs performances à résoudre des tâches sans être explicitement programmés pour chacune. Plus largement, il concerne la conception, l'analyse, l'optimisation, le développement et l'implémentation de telles méthodes.

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.

Donnée

Une donnée est ce qui est connu et qui sert de point de départ à un raisonnement ayant pour objet la détermination d'une solution à un problème en relation avec cette donnée. Cela peut être une description élémentaire qui vise à objectiver une réalité, le résultat d'une comparaison entre deux événements du même ordre (mesure) soit en d'autres termes une observation ou une mesure. La donnée brute est dépourvue de tout raisonnement, supposition, constatation, probabilité.

Afficher plus

Séances de cours associées (64)

Apprentissage non supervisé : réduction de la dimensionnalité et regroupement

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.

Méthodes de clustering : K-means et DBSCAN

Explore les méthodes de clustering K-means et DBSCAN, en discutant des propriétés, des inconvénients, de l'initialisation et de la sélection optimale des clusters.

Analyse des composantes principales : réduction de la dimensionnalité

Couvre l'analyse des composantes principales pour la réduction de dimensionnalité, en explorant ses applications, ses limites et l'importance de choisir les composantes appropriées.

PCA: Cours interactif

Sur PCA comprend des exercices interactifs et met l'accent sur la réduction de la perte d'information.

Réduction de dimensionnalité: PCA & t-SNE

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

Afficher plus

Concepts associés (32)

K-moyennes

Analyse des données

Apprentissage automatique

Regroupement hiérarchique

Donnée

Afficher plus