Unsupervised Learning — Cours Complet

Auteur : Aymen Ben Brik — Esprit School of Business
Contact : aymenbenbrik@gmail.com

---

Description

Ce dépôt contient le cours complet d'Apprentissage Non Supervisé destiné aux étudiants de :

• Master GAMMA — Gestion Actuarielle et Modélisation Mathématiques
• Master BA — Business Analytics

Le cours couvre l'ensemble des techniques non supervisées modernes : du clustering aux règles d'association, en passant par la réduction de dimension et la détection d'anomalies. Chaque chapitre est accompagné de travaux pratiques en Python/scikit-learn avec énoncé et correction.

---

Structure du dépôt

UnsupervisedLearning/
├── slides/                          # Diapositives Beamer (LaTeX)
│   ├── main.tex                     # Fichier principal (compile tout)
│   └── chapters/                    # Un fichier .tex par chapitre
│       ├── ch1_introduction.tex
│       ├── ch2_distances.tex
│       ├── ch3_clustering.tex
│       ├── ch4_reduction_dimension.tex
│       ├── ch5_regles_association.tex
│       ├── ch6_anomalies.tex
│       ├── ch7_evaluation_applications.tex
│       └── bibliographie.tex
├── cours/                           # Polycopié complet (format book)
│   └── cours_complet.tex
├── figures/                         # Figures TikZ / PNG exportées
│   ├── clustering/
│   ├── reduction_dim/
│   ├── association/
│   └── anomalies/
└── TPs/                             # Travaux Pratiques
    ├── TP1_Clustering/
    │   ├── TP1_Enonce.ipynb
    │   └── TP1_Correction.ipynb
    ├── TP2_Reduction_Dimension/
    │   ├── TP2_Enonce.ipynb
    │   └── TP2_Correction.ipynb
    ├── TP3_Regles_Association/
    │   ├── TP3_Enonce.ipynb
    │   └── TP3_Correction.ipynb
    └── TP4_Anomalies/
        ├── TP4_Enonce.ipynb
        └── TP4_Correction.ipynb

---

Contenu du cours

#	Chapitre	Thèmes clés
1	Introduction	Supervisé vs non supervisé, pipeline, défis, taxonomie
2	Distances et Similarité	Euclidienne, cosinus, Mahalanobis, malédiction de la dimension
3	Clustering	k-means, k-means++, hiérarchique, DBSCAN, Gaussian Mixture Models, EM
4	Réduction de Dimension	PCA, t-SNE, UMAP, Kernel PCA, autoencodeurs
5	Règles d'Association	Support, confiance, lift, Apriori, FP-Growth
6	Détection d'Anomalies	Isolation Forest, LOF, One-Class SVM, autoencoder
7	Évaluation & Applications	Silhouette, ARI, segmentation client, NLP non supervisé

---

Travaux Pratiques

TP	Titre	Dataset	Algorithmes
TP1	Clustering de clients	Mall Customers / Online Retail	k-means, DBSCAN, GMM
TP2	Réduction de dimension	MNIST / Wine	PCA, t-SNE, UMAP
TP3	Règles d'association	Online Retail UK	Apriori, FP-Growth
TP4	Détection d'anomalies	Credit Card Fraud	Isolation Forest, LOF, Autoencoder

---

Prérequis

pip install numpy pandas matplotlib seaborn scikit-learn umap-learn
pip install mlxtend plotly yellowbrick scipy

---

Compilation LaTeX

cd slides
pdflatex main.tex
pdflatex main.tex   # deux passes pour la table des matières

Prérequis LaTeX : thème metropolis, packages tikz, pgfplots, listings, booktabs, algorithm.

---

Esprit School of Business — 2024/2025