# CM4 : Apprentissage Non Supervisé ---

## 1. Données sans étiquettes Ici, on a seulement $x$. Pas de $y$. Personne ne donne la réponse. La machine doit trouver des **structures** cachées dans les données. * **Clustering** : Faire des groupes. * **Réduction de dimension** : Simplifier les données. ---

## 2. K-Means Clustering L'algorithme le plus célèbre. But : Diviser les données en **K** groupes (clusters). 1. Placer K centres au hasard. 2. Attribuer chaque point au centre le plus proche. 3. Déplacer les centres vers la moyenne de leur groupe. 4. Répéter.

## Démo K-Means <iframe class="embedded-notebook" src="/observables/kmeans/index.html" width="100%" height="600px"></iframe>

## Limites de K-Means * Il faut choisir K à l'avance. * Sensible à l'initialisation (aléatoire). * Suppose des clusters ronds (sphériques). ---

## 3. Clustering Hiérarchique (CAH) On construit un arbre (Dendrogramme). * Au début, chaque point est un groupe. * On fusionne les deux groupes les plus proches. * On continue jusqu'à n'avoir qu'un seul groupe. > Pas besoin de choisir K au début ! On coupe l'arbre où on veut. ---

## 4. Réduction de Dimension (PCA) **Problème** : Impossible de visualiser des données en dimension 100. **Solution** : Projeter les données sur un plan (2D) en gardant le maximum d'information (variance). **PCA (Analyse en Composantes Principales)** : Trouve les axes qui "étalent" le plus les données.