Clustering de décalage moyen à partir de zéro avec PyTorch

L'apprentissage non supervisé semble souvent une boîte noire, mais la construction d'algorithmes à partir de zéro démystifie la façon dont ils trouvent des modèles dans les données. Ce cours vous guide à travers la théorie et la mise en œuvre pratique de l'algorytme de clustering Mean Shift, une technique puissante qui ne nécessite pas de prédéfinir le nombre de clusters. Vous passerez des concepts mathématiques de base au code parallélisé hautement optimisé. En lisant ce cours, vous acquerrez une compréhension profonde et fondamentale des métriques de distance, de l’estimation de la densité du noyau et des techniques de vectorisation à l'aide de PyTorch. Ce que vous apprendrez: Comprendre la théorème mathématicale de base derrière Mean shift et le suivi du centroïde; Implémenter la multiplication de base des matrices et les calculs de distance à l’aide des tenseurs PyTorc; Appliquer des techniques d’émission pour éliminer les boucles lentes et accélérer le calcul; Optimiser les performances de cluster en utilisant des opérations vectorisées compatibles avec le GPU; Comparez MeanShift avec d’autres algorithmes de cluster pour savoir quand l’utiliser.