TP2 : Clustering avec l'algorithme K-Means 📊

📝 Sujet du TP

Ce TP explore l’algorithme K-Means pour effectuer du clustering (classification non supervisée) sur des jeux de données variés.
On utilise principalement scikit-learn, tout en proposant une implémentation manuelle de K-Means en Python.

📄 Télécharger le sujet complet (PDF)

---

📁 Contenu du dépôt

Fichier	Description
exercice1.ipynb	Clustering de données synthétiques avec make_blobs()
exercice2.ipynb	Clustering sur le dataset Iris (sans les étiquettes)
exercice3.ipynb	Clustering sur le dataset Wine (avec PCA et normalisation)
exercice4.ipynb	Application de K-Means aux datasets Titanic et Fromage
ex5_implement_kmean.py	Implémentation manuelle de l’algorithme K-Means sans sklearn
test_exercice5.ipynb	Notebook de test pour valider le fonctionnement de ex5_implement_kmean.py

---

🧠 Concepts clés

• Algorithme K-Means (assignation, mise à jour, convergence)
• Initialisation (k-means++, random)
• Évaluation : ARI, NMI, Silhouette Score
• Réduction de dimension : PCA
• Normalisation des données
• Implémentation from scratch en Python

---

🛠️ Bibliothèques utilisées

• numpy
• pandas
• matplotlib
• seaborn
• scikit-learn

---

🎯 Objectifs

• Appliquer le clustering non supervisé sur divers jeux de données
• Visualiser et analyser les résultats des clusters
• Comparer l’impact de la normalisation et de la réduction de dimension
• Implémenter et tester l’algorithme K-Means soi-même

---

📄 Sujet complet : TP2_Kmeans_algorithm.pdf