• Présentation de la dichotomie approches supervisées & approches non supervisées
• Méthodes floues & strictes
• Théorie des graphes
• Présentation des différents types de structures de données
• Calcul de similarité
• Propriétés des jeux de données

• Clustering simple
• Clusterings hiérarchiques et composés
• Utilité du clustering hiérarchique
• Présentation du résultat

Travaux pratiques :

Etude de cas d’utilisations de techniques de clustering

• Approches orientées K-means
• Approches par agglomération
• Approches basées sur un modèle physique (modèle énergie, ressort…)
• Approches « divisives »
• Approches par marche aléatoire
• Algorithmes incrémentaux

Travaux pratiques

Avantages/inconvénients des approches étudiées

• K-means simple, Graclus, Cluto
• Algorithme hiérarchique : Louvain
• InfoMap, Fast Modularity
• NCut, approche Girvan Newman…
• Extraction d’arbres couvrants et composition

Travaux pratiques

Déploiement de K-means sur un jeu de données puis implémentation de l’algorithme hiérarchique CAH.

• Introduction à la performance et à la complexité
• Mesures de qualité
• Critères qualité
• Technique des diagrammes d’Inselberg

Travaux pratiques

Mesure de la qualité sur un jeu de données

• Présentation du jeu de données
• Analyse des propriétés du réseau
• Exécution d’algorithmes de clustering
• Affichage du résultat
• Calcul de la qualité des partitionnements effectués

Travaux pratiques :

Mise en œuvre d’algorithmes de clustering sur un réseau lexical et sur des documents Web, pdf…

• Présentation du jeu de données
• Analyse des propriétés du réseau
• Calcul de mesures de similarité
• Exécution d’algorithmes de clustering
• Affichage du résultat
• Calcul de la qualité

Travaux pratiques

Mise en œuvre d’algorithmes de clustering sur une base documentaire, calcul de mesures de similarité, clustering, analyse de la qualité