Explorez vos données avec des algorithmes non supervisés

Objectifs pédagogiques :

• Comprendre à quelles questions un algorithme d’apprentissage non supervisé permet de répondre,
• Utiliser les principaux algorithmes de réduction de dimension non supervisé classique (ACP, analyse factorielle, factorisation de matrice non négative, MDS, tSNE),
• Choisir un algorithme de réduction de dimension non supervisé en fonction de vos besoins et des caractéristiques des données,
• Utiliser les principaux algorithmes de clustering (k-means, DBSCAN, clustering hiérarchique),
• Choisir un algorithme de clustering en fonction de vos besoins et des caractéristiques des données.

Prérequis :

Ce cours de Data Science se situe au croisement des mathématiques et de l'informatique. Pour en profiter pleinement, n'hésitez pas à vous rafraîchir la mémoire, avant ou pendant le cours, sur :

• Python pour le calcul numérique (numpy) et la création de graphiques (pyplot), que nous utiliserons dans les parties TP du cours,
• Quelques notions d'algèbre linéaire : manipulation de vecteurs, multiplications de matrices, normes, et valeurs/vecteurs propres,
• Quelques notions de probabilités et statistiques, telles que distribution de loi de probabilité et variance.