L’apprentissage non-supervisé est largement utilisé, enfin tant qu’il s’agit du K-means. Pourtant l’état de l’art apporte des contributions bien plus sophistiquées à l’analyse de données, notamment grâce aux apports de la recherche française. Le passage à l’échelle de ces algorithmes a, entre autres, permis le travail en profondeur sur les données massives.

Djallel Dilmi, chercheur CNRS et Head of data science, HephIA propose un tour d’horizon des techniques d’apprentissage non-supervisées scalables – théorie et apports pratiques.

Au menu :
– Intérêt de la topologie : sortir du K-means & apport de la topologie à l’explicabilité des modèles ;
– Distribution des algorithmes : permettre la scalabilité ;
– Classifications simultanées : co-clustering & multi-co-clustering ;
– Combinaison de sources de données hétérogènes ;
– Encoding information : combiner prototypes et transformers.

À la suite de cette présentation nous organiserons un atelier pratique, en janvier 2023, sur des jeux de données proposés par les membres du Club datacraft.