Contrairement à l’apprentissage supervisé, l’apprentissage non supervisé travaille sur des données non étiquetées. L’algorithme doit découvrir par lui-même des structures, des similarités ou des régularités. Les deux grandes familles sont : le **clustering** (regroupement en classes naturelles) et la **réduction de dimension** (simplification de l’espace des variables).

ISOSET propose des cursus pratiques sur ces méthodes, avec des cas concrets de segmentation client et de visualisation de données complexes.

Le clustering partitionne un ensemble d’observations en groupes (clusters) tels que les éléments d’un même groupe soient plus similaires entre eux qu’avec ceux des autres groupes.

# K-means avec scikit-learn
from sklearn.cluster import KMeans
kmeans = KMeans(n_clusters=5, random_state=42)
clusters = kmeans.fit_predict(X)
centroids = kmeans.cluster_centers_

Sans vérité terrain, l’évaluation est délicate. On utilise des métriques intrinsèques qui mesurent la cohésion et la séparation.

• Inertie (within-cluster sum of squares) – somme des distances au carré entre chaque point et son centroïde. Plus elle est faible, plus les clusters sont compacts. À minimiser, mais diminue mécaniquement avec K.
• Silhouette score – mesure pour chaque point à quel point il est bien dans son cluster vs proche du cluster voisin. Entre -1 et 1, plus c’est élevé, mieux c’est.
• Méthode du coude (Elbow method) – on trace l’inertie en fonction de K et on cherche le « coude » (diminution brutale).
• Indice de Davies-Bouldin – rapport entre la dispersion intra-cluster et la séparation inter-clusters. À minimiser.

# Calcul du silhouette score pour K-means
from sklearn.metrics import silhouette_score
silhouette_avg = silhouette_score(X, kmeans.labels_)
print(f"Silhouette : {silhouette_avg:.3f}")

ISOSET aide les entreprises à choisir le bon algorithme et la bonne métrique pour leurs problèmes de segmentation.

L’Analyse en Composantes Principales (PCA en anglais) est la technique de réduction de dimension linéaire la plus répandue. Elle projette les données sur un nouvel espace orthogonal dont les axes (composantes principales) sont orientés selon les directions de variance maximale.

• Première composante – direction de plus grande variance.
• Deuxième composante – direction orthogonale à la première, expliquant le maximum de variance restante, etc.
• Réduction – on ne conserve que les premières composantes (ex : 2 ou 3 pour visualisation, ou un nombre expliquant 95% de la variance).
• Interprétation – les coefficients (loadings) indiquent le poids de chaque variable d’origine dans chaque composante.

# ACP avec scikit-learn
from sklearn.decomposition import PCA
pca = PCA(n_components=2)
X_pca = pca.fit_transform(X)
print(f"Variance expliquée : {pca.explained_variance_ratio_}")

L’ACP est indispensable pour visualiser des données de haute dimension (ex : des centaines de variables) et comme prétraitement avant clustering ou classification pour réduire le bruit. ISOSET propose des ateliers pour le grand public sur la visualisation interactive avec PCA.

L’ACP est linéaire. Pour des structures non linéaires (ex : données en forme de cercle ou de ruban de Möbius), on utilise des méthodes non linéaires :

• t-SNE (t-distributed Stochastic Neighbor Embedding) – excellente pour la visualisation de données locales (voisinages), très utilisée en bioinformatique et pour les images. Ne conserve pas les distances globales.
• UMAP (Uniform Manifold Approximation and Projection) – plus rapide que t-SNE, préserve mieux la topologie globale.
• Autoencodeurs (Deep Learning) – réseaux de neurones qui apprennent une représentation compressée non linéaire.

# t-SNE pour visualisation (attention, coûteux en calcul)
from sklearn.manifold import TSNE
tsne = TSNE(n_components=2, random_state=42)
X_tsne = tsne.fit_transform(X)

Les algorithmes non supervisés sont très sensibles aux échelles des variables. Une variable avec une grande amplitude dominerait artificiellement les distances ou la variance.

• Standardisation (Z-score) – moyenne 0, écart-type 1. Recommandée pour K-means et ACP.
• Normalisation min-max – ramène les valeurs dans [0,1]. Alternative si données non gaussiennes.
• RobustScaler – utilise médiane et quartiles, résiste aux outliers.

# Standardisation avant ACP
from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)
pca.fit(X_scaled)

• Marketing – segmentation de clientèle (K-means, clustering hiérarchique) pour des campagnes ciblées.
• Bioinformatique – classification de gènes, analyse de cellules uniques (t-SNE, UMAP).
• Sécurité – détection d’anomalies (DBSCAN, isolation forest).
• Recommandation – réduction de dimension pour les systèmes collaboratifs (PCA, SVD).
• Analyse de texte – topic modeling (LDA) et clustering de documents.

ISOSET propose des ateliers ludiques pour initier les jeunes à la segmentation (ex : regrouper des images de formes sans étiquettes).

Dans K-means et le clustering hiérarchique, le nombre de clusters K n’est pas connu a priori. Plusieurs techniques aident à le déterminer :

• Méthode du coude (inertie) – simple, mais parfois subjective.
• Silhouette moyenne – on choisit le K maximisant le score de silhouette.
• Indice de Davies-Bouldin – à minimiser.
• Gap statistic – compare l’inertie avec celle de données aléatoires.

# Recherche du meilleur K par silhouette
best_k, best_score = 2, -1
for k in range(2, 11):
    kmeans = KMeans(n_clusters=k, random_state=42)
    labels = kmeans.fit_predict(X)
    score = silhouette_score(X, labels)
    if score > best_score: best_k, best_score = k, score

• Appliquer K-means sur des données non normalisées – résultats faussés par les variables à grande échelle.
• Supposer que K-means fonctionne sur des clusters non sphériques – préférer DBSCAN ou le clustering spectral.
• Interpréter les composantes principales sans analyser les loadings – une composante n’a de sens que par ses variables contributrices.
• Oublier que l’ACP est linéaire – pour des données fortement non linéaires, utiliser t-SNE ou autoencodeurs.

ISOSET forme des data scientists avertis, capables d’éviter ces écueils grâce à une solide compréhension théorique et pratique.

Les témoignages recueillis par ISOSET montrent que l’apprentissage non supervisé, souvent perçu comme abstrait, devient limpide après une mise en pratique sur des cas réels. *« J’ai enfin compris comment segmenter notre base clients sans étiquettes ! »*, raconte Marie, responsable marketing formée chez ISOSET.