AI 용어집
인공지능 완전 사전
K-Means et ses variantes
Algorithmes de partitionnement itératifs basés sur les centroïdes incluant K-Means++, K-Medoids, Mini-Batch K-Means et Fuzzy C-Means.
Clustering Hiérarchique
Méthodes agglomératives ou divisives construisant une hiérarchie de clusters comme CAH, Ward et dendrogrammes.
DBSCAN et algorithmes basés sur la densité
Techniques identifiant les clusters comme des régions denses séparées par des régions moins denses incluant OPTICS, Mean Shift et DENCLUE.
Clustering Spectral
Approche utilisant les valeurs propres et vecteurs propres d'une matrice de similarité pour réduire la dimensionnalité avant clustering.
Clustering par Modèles de Mélange
Modèles probabilistes assumant que les données proviennent d'un mélange de distributions comme les Gaussian Mixture Models (GMM).
Clustering Basé sur les Graphes
Algorithmes structurant les données en graphes pour identifier des communautés comme Louvain, Label Propagation et Walktrap.
Clustering par Noyaux
Extension des algorithmes traditionnels utilisant des fonctions noyau pour capturer des relations non-linéaires entre les données.
Clustering Flou
Approches permettant l'appartenance partielle des points à plusieurs clusters simultanément avec des degrés d'appartenance.
Clustering Incrémental et Streaming
Algorithmes adaptés aux données continues et volumineuses traitant les points séquentiellement sans nécessiter l'ensemble complet.
Clustering Multi-vues
Techniques intégrant plusieurs représentations ou perspectives des mêmes données pour améliorer la qualité du clustering.
Clustering Contrainte
Méthodes incorporant des connaissances a priori ou contraintes utilisateur pour guider le processus de clustering.
Validation et Évaluation des Clusters
Métriques et indices mesurant la qualité des partitions comme Silhouette, Davies-Bouldin, Calinski-Harabasz et indices de validité internes/externes.