Maintenant que vous comprenez les bases de l'analyse en composantes principales, ce module se concentre sur la manière de l'appliquer de manière réfléchie. Vous apprendrez à décider du nombre de composantes à retenir en examinant la proportion de variance expliquée et en interprétant les diagrammes de dispersion. Vous explorerez également la manière d'interpréter les saturations des composantes principales afin de comprendre ce que chaque composante révèle sur les caractéristiques d'origine. Grâce à des exercices pratiques, vous verrez comment l'ACP peut être utilisée non seulement pour la visualisation, mais aussi comme une étape puissante de prétraitement avant l'apprentissage supervisé. À la fin de ce module, vous serez en mesure de réduire la dimensionnalité avec pertinence et perspicacité.

Ce module vous introduit au monde du clustering, dont l'objectif est de découvrir des regroupements naturels dans des données sans étiquette. Vous apprendrez comment l'algorithme k-means répartit les observations en grappes sur la base de leur similarité et comment il affine ces regroupements de manière itérative en mettant à jour les centroïdes. En cours de route, vous serez confronté au défi de choisir le bon nombre de grappes et explorerez des outils heuristiques tels que la méthode des coudes. Grâce à des travaux pratiques, vous évaluerez les résultats du regroupement et interpréterez ce que chaque groupe représente dans son contexte. Le clustering est autant un art qu'une science, et ce module vous aidera à développer votre intuition pour les deux.

Dans ce module, vous explorerez le regroupement hiérarchique, une méthode qui permet de créer des groupes imbriqués sans avoir à choisir le nombre de groupes à l'avance. Vous apprendrez comment fonctionne l'approche agglomérative étape par étape et comment interpréter les dendrogrammes pour découvrir une structure significative dans vos données. Contrairement aux K-means, le clustering hiérarchique offre une image complète de la manière dont les observations sont liées les unes aux autres à différents niveaux de similarité. Vous examinerez également comment les métriques d'échelle et de distance peuvent influencer les résultats du clustering, et pourquoi l'évaluation des clusters est souvent plus subjective que définitive. Ce module vous encourage à réfléchir de manière critique à ce qui rend une solution de clustering utile, et pas seulement mathématiquement valide.

Ce module présente la complétion de matrices de faible rang comme une approche fondée sur des principes pour traiter les données manquantes et alimenter les systèmes de recommandation. Vous apprendrez comment l'ACP peut être utilisée comme outil d'approximation matricielle pour reconstruire les entrées manquantes, mettre en œuvre un algorithme de complétion itératif et valider les choix de modèles via le masquage. Une étude de cas compacte démontre les compromis pratiques avec un petit p, et le module conclut en appliquant les mêmes idées à la recommandation utilisateur-élément avec une attention particulière au prétraitement, à l'évaluation, à l'échelle et à l'éthique.