AI 용어집
인공지능 완전 사전
K-means et variantes centroïdes
Algorithmes de partitionnement basés sur des centroïdes incluant K-means, K-medoids et leurs optimisations.
Clustering hiérarchique
Méthodes agglomératives ou divisives créant des structures arborescentes de clusters (dendrogrammes).
Clustering basé sur la densité
Algorithmes comme DBSCAN et OPTICS identifiant des clusters de formes arbitraires basés sur la densité locale.
Clustering spectral
Technique utilisant les valeurs propres de matrices de similarité pour réduire la dimension avant clustering.
Modèles de mélange gaussien
Approche probabiliste modélisant les données comme mélange de distributions gaussiennes avec l'algorithme EM.
Clustering flou
Méthodes permettant l'appartenance partielle des points à plusieurs clusters (Fuzzy C-means).
Clustering basé sur les graphes
Algorithmes exploitant les structures de graphes et les communautés pour regrouper les données.
Clustering de flux de données
Techniques adaptées aux données continues et évolutives nécessitant des mises à jour incrémentales.
Clustering à grande échelle
Algorithmes optimisés pour le Big Data utilisant des approches parallèles et distribuées.
Validation de clusters
Métriques et indices (Silhouette, Davies-Bouldin, Calinski-Harabasz) pour évaluer la qualité des partitions.
Détection d'anomalies non supervisée
Identification d'outliers et de points aberrants comme clusters isolés ou de faible densité.
Clustering multi-vues
Algorithmes intégrant multiples représentations ou perspectives des mêmes données.
Clustering profond
Combinaison de réseaux de neurones profonds avec des objectifs de clustering pour l'apprentissage de représentations.
Clustering de séries temporelles
Méthodes spécialisées pour regrouper des données temporelles avec similarités temporelles.
Clustering de texte
Applications NLP regroupant des documents basées sur la similarité sémantique du contenu.