Récapitulation et examen final

Dix modules, trois familles de méthodes, une même discipline de lecture. Voici le cours condensé — module par module d'abord, puis à travers les fils qui le traversent.

Le cours d'un coup d'œil

Module	L'essentiel à retenir
1. Chercher sans étiquettes	L'objectif passe de prédire à révéler une structure ; pas de réponse unique ; standardiser décide de tout
2. k-moyennes	Affectation et mise à jour alternées ; minimise l'inertie ; suppose des groupes sphériques
3. Choisir k	L'inertie décroît toujours : on lit son ralentissement (coude) ; la silhouette se compare entre k
4. Hiérarchique	Toute l'arborescence d'abord, la coupe ensuite ; Ward par défaut ; coût quadratique
5. DBSCAN	Un groupe est une région dense : formes libres et bruit explicite ; eps par le graphe des k-distances
6. ACP	Axes de variance maximale, décorrélés ; variance cumulée pour choisir ; linéaire
7. t-SNE et UMAP	Préservent le voisinage local ; distances et tailles d'amas non interprétables
8. Anomalies	Modéliser le normal ; IQR robuste ; forêt d'isolement ; contamination = décision métier
9. Mélanges gaussiens	Affectation probabiliste, formes ellipsoïdales ; EM ; k par minimisation du BIC
10. Projet	Cadrer l'usage, préparer les variables, comparer, caractériser, documenter

Les fils qui traversent tout le cours

La distance décide, donc l'échelle décide. Presque toutes ces méthodes reposent sur des distances entre observations. Une variable de grande amplitude non standardisée s'impose mécaniquement, et rien dans le résultat ne le signale — c'est la différence avec le supervisé, où un score dégradé finit par alerter. La standardisation n'est pas une bonne pratique parmi d'autres : c'est une condition de validité.

Chaque méthode fait une hypothèse de forme. k-moyennes suppose des sphères comparables ; le mélange gaussien, des ellipses ; DBSCAN, une densité homogène ; l'ACP, des directions droites. Un mauvais résultat vient bien plus souvent d'une hypothèse inadaptée que d'un réglage imparfait. Savoir quelle hypothèse on vient de poser est la vraie compétence de ce cours.

Évaluer sans vérité de référence demande une triangulation. Aucun critère ne suffit seul. On croise un critère interne (silhouette, BIC), la stabilité sous rééchantillonnage, et l'utilité métier — cette dernière restant juge de paix. Trois indices concordants valent mieux qu'un score isolé.

Une visualisation n'est pas une preuve. Le module 7 est le garde-fou du cours : de belles projections apparaissent même sur du bruit pur. On explore avec ces images, on conclut avec des mesures.

L'examen final

L'examen comporte 40 questions couvrant les dix modules : nature des tâches non supervisées, mécanique et limites de chaque algorithme, choix du nombre de groupes, réduction de dimension, lecture des projections, détection d'anomalies et démarche de projet. Plusieurs questions présentent des mini-situations — un partitionnement dont tous les scores de silhouette plafonnent, une projection qu'on vous demande d'interpréter, un jeu de données à densités inégales — car l'objectif du cours est le jugement, non la récitation.

En cas de réussite, votre attestation d'achèvement est délivrée immédiatement ; son numéro est vérifiable par tout tiers sur la plateforme.

Avant de commencer

Relisez le tableau ci-dessus, puis posez-vous pour chaque ligne la question : « quelle hypothèse cette méthode fait-elle, et que se passe-t-il quand elle est fausse ? ». Si la réponse vient — pourquoi les k-moyennes échouent sur deux croissants, pourquoi l'inertie ne peut pas choisir $k$, pourquoi on ne partitionne pas sur des coordonnées t-SNE — vous êtes prêt. Bonne chance !

Examen final

Prêt à valider ce cours ?

40 questions tirées au hasard dans la banque du cours · seuil de réussite 70 % · certificat PDF vérifiable délivré immédiatement en cas de réussite.

Commencer l'examen

Connexion à votre compte InSkillML et abonnement actif requis. Vous pouvez aussi lancer l'examen depuis Mes cours.