Référentiel B — capacité IA
K-Means
Architecture
Algorithme de partitionnement non supervisé qui regroupe les observations en k groupes (clusters) en minimisant la distance intra-groupe aux centroïdes
Capacités clés
- Segmentation non supervisée de données en groupes homogènes sans étiquettes préalables
- Simplicité algorithmique et rapidité d'exécution sur de grands volumes de données
- Largement utilisé comme étape exploratoire préalable à d'autres analyses
Usages documentés par secteur
IndustrieTRL non déterminableDiffusion standard
Quantification et réduction du nombre de valeurs distinctes dans des données, notamment en traitement du signal et de l'image
- Réduction du nombre de couleurs d'une image « sans que cela ne nuise trop à sa qualité », seule application concrète donnée par la source
Sources de cet usage
- 1.K-moyennes — Wikipédiasecondaire
RechercheTRL non déterminableDiffusion standard
Analyse exploratoire de données pour identifier des structures ou sous-groupes non étiquetés
Sources de cet usage
- 1.K-moyennes — Wikipédiasecondaire
Limites connues
Nécessite de fixer a priori le nombre de groupes k et converge vers un optimum local dépendant de l'initialisation. L'hypothèse implicite de groupes sphériques et de taille comparable, souvent avancée, n'est pas attestée par la source citée.
Débats documentés
Aucune autre fiche du référentiel ne nomme celle-ci, et celle-ci n'en nomme aucune. Ce n'est pas un signe d'accord : c'est un silence documentaire, et il se comble en écrivant les limites de la fiche avec des noms.
Sources
- 1.K-moyennes — Wikipédiasecondaire
Analyses de gap citant cette fiche
Fiches connexes — Data science / modèles prédictifs
- Arbres de décisionMéthode d'apprentissage automatique classique (algorithmes ID3, C4.5, CART, développés à partir des années 1980)
- AutoencodeursArchitecture de réseau de neurones popularisée à partir des années 1980-1990, largement développée depuis les années 2010
- CNNArchitecture développée notamment par Yann LeCun (LeNet, fin des années 1980-1990), popularisée à grande échelle par AlexNet (2012)
- Forêts aléatoiresMéthode d'ensemble développée notamment par Leo Breiman (2001)
- GANConcept développé par Ian Goodfellow et ses collègues (juin 2014)
- Gradient Boosting (XGBoost/LightGBM/CatBoost)Méthode formalisée par Jerome Friedman (1999). Les implémentations XGBoost, LightGBM et CatBoost qui donnent son nom à la fiche ne sont nommées par aucune source de celle-ci : leurs dates et leurs éditeurs restent à tracer.
- K-NNMéthode statistique classique d'apprentissage non paramétrique ; la source citée n'en donne pas la datation
- LSTMArchitecture développée par Sepp Hochreiter et Jürgen Schmidhuber (1997)
Données brutes de cette fiche : /api/fiches/k-means — voir la méthodologie.