Clustering hiérarchique, méthode non supervisée du machine learning | Cycle avancé IA #9

Ce cours est consacré à la méthode non supervisée de clustering hiérarchique en machine learning, également appelée partitionnement hiérarchique. Cette méthode permet de regrouper les échantillons dans une structure hiérarchique en fonction de leur similarité et d’identifier des classes dans les données.

Le résultat d’un clustering hiérarchique se présente souvent dans une figure composée de plusieurs éléments : un ou deux dendrogrammes, une carte de chaleur (heatmap), une ou parfois plusieurs barres de couleurs qui apportent des informations complémentaires.

A partir d’un exemple simple, notre objectif sera de comprendre étape par étape l’algorithme de clustering hiérarchique, d’interpréter le résultat en termes de clusters identifiés et de le présenter graphiquement.

Intervenant : Ekaterina Flin, ingénieur en informatique, groupe EpiMed, Institut pour l’Avancée des Biosciences (IAB), Université Grenoble Alpes (UGA)

#machine_learning #clustering #heatmap

Table des matières
00:00 Introduction
00:18 Notion de clustering
00:46 Clustering hiérarchique et dendrogramme
01:17 Visualisation d’un clustering hiérarchique
01:38 Objectif du cours
01:50 Exemple : cancer du poumon
03:30 Formalisation mathématique
05:16 Algorithme de classification ascendante hiérarchique
07:33 Présentation des résultats
09:32 Application aux données réelles
10:41 Interprétation des résultats

Liens :
Démo d'un clustering hiérarchique avec Python :    • Démo - Clustering hiérarchique avec Python...  
Cours sur l'analyse en composantes principales (ACP) :    • ACP - Analyse en composantes principales |...  
Cours "Formalisme du machine learning, fonction de perte, optimisation" :    • Formalisme du machine learning, fonction d...