Bienvenue au module 2 ! Dans ce module, nous allons nous familiariser avec le clustering, une autre méthode d'apprentissage non supervisé essentielle et largement utilisée. Nous découvrirons les principales familles d'algorithmes de clustering, telles que les méthodes hiérarchiques (agglomérantes ascendantes, divisives descendantes), les méthodes de partitionnement (K-moyennes, k-médoïdes) et les méthodes basées sur la densité (DBSCAN). Nous apprendrons également à évaluer et à optimiser la qualité des clusters. À la fin de ce module, notre tâche consistera à appliquer une variété de ces approches de clustering à des ensembles de données réalistes en utilisant les capacités de clustering de Scikit-learn. C'est parti !

Bienvenue au module 3 ! Dans ce module, nous allons apprendre à estimer les variables latentes - un autre domaine important de l'apprentissage non supervisé, en particulier pour les applications basées sur le texte. Nous nous concentrerons d'abord sur le thème des représentations textuelles. La modélisation thématique est une autre forme d'estimation des variables latentes, que nous apprendrons à connaître par le biais de deux méthodes différentes : Latent Dirichlet Allocation (LDA) et Non-Negative Matrix Factorization. Nous étudierons également les ancrages de mots pour apprendre à représenter les mots avec des vecteurs de manière sémantiquement utile. À la fin de ce module, nous devrons résoudre des problèmes en analysant la structure des sujets dans une grande collection de documents et en appliquant les ancrages de mots à une tâche liée au NLP. C'est parti !

Bienvenue dans le module 4, notre dernier module du cours ! Nous terminons notre cours en apprenant comment les méthodes non supervisées peuvent être intégrées aux méthodes d'Apprentissage supervisé afin d'améliorer les performances de prédiction. Un sujet clé de ce module dans cette direction couvre les méthodes d'imputation pour traiter les données manquantes. Nous examinerons également divers sujets spéciaux, notamment les extensions de l'Apprentissage non supervisé qui sont utilisées à la pointe de la technologie actuelle : l'Apprentissage semi-supervisé et l'Apprentissage auto-supervisé. À la fin de ce module, notre tâche consistera à appliquer des méthodes et des techniques d'imputation des données manquantes et d'apprentissage semi-supervisé, le thème sous-jacent étant la manière dont l'apprentissage non supervisé peut améliorer l'apprentissage supervisé. C'est parti !