Programme de Formation
10
module(s)
Durée totale : 1080
Découvrir des structures cachées dans des données sans étiquettes — clustering, réduction de dimension, détection d'anomalies. 10 leçons pour explorer l'inconnu.
Module 1 : L'apprentissage non supervisé : pourquoi et quand ?
60
Comprendre ce qui distingue le non-supervisé du supervisé et identifier les quatre grandes familles d'usages : clustering, réduction de dimension, détection d'anomalies, association.
Module 2 : K-means : clustering par centroïdes
120
Maîtriser l'algorithme K-means, choisir le nombre de clusters avec la méthode du coude et le score de silhouette, et interpréter correctement les groupes obtenus.
Module 3 : DBSCAN : clustering par densité
90
Découvrir DBSCAN, un algorithme de clustering par densité qui détecte automatiquement le nombre de groupes, gère les formes complexes et isole le bruit.
Module 4 : Clustering hiérarchique
90
Maîtriser le clustering hiérarchique agglomératif, lire un dendrogramme, choisir un critère de liaison et savoir quand cette approche surpasse K-means.
Module 5 : PCA appliquée en ML
90
Appliquer l'analyse en composantes principales pour réduire la dimension, interpréter la variance expliquée et accélérer un modèle supervisé sans perdre de précision.
Module 6 : t-SNE et UMAP : visualisation haute dimension
120
Maîtriser t-SNE et UMAP pour visualiser des données à très nombreuses dimensions, choisir entre les deux, paramétrer correctement et éviter les interprétations trompeuses.
Module 7 : Détection d'anomalies : Isolation Forest
90
Détecter des observations inhabituelles avec Isolation Forest, calibrer le seuil de contamination et comparer l'algorithme aux scores Z et aux autres méthodes.
Module 8 : TP : segmentation clients e-commerce
180
Mettre en pratique le clustering sur un cas réel : préparer des données transactionnelles e-commerce, construire une segmentation RFM avec K-means, nommer les clusters et en tirer des personas exploitables.
Module 9 : TP : clustering de documents avec TF-IDF
150
Vectoriser un corpus de documents avec TF-IDF, appliquer K-means pour identifier des thèmes, inspecter les mots-clés de chaque cluster et nommer les groupes obtenus.
Module 10 : Synthèse non-supervisé
90
Cartographier tous les outils non-supervisés vus dans le chapitre, adopter un arbre de décision pour choisir entre eux et préparer la transition vers les bonnes pratiques et pipelines.
Commentaires
0 commentaire
Aucun commentaire pour le moment
Soyez le premier à partager votre avis !
Se connecter pour commenter