Fait partie du Journey Machine LearningNouveauParcours

Apprentissage non supervisé en Python

Trouve les groupes, la forme et les intrus dans des données sans étiquettes. Regroupe, réduis et analyse de vrais jeux de données avec scikit-learn, et vois chaque résultat sur un graphique.

COMMENCER À APPRENDRE(c'est gratuit)

Voir le programme Playground Apprentissage non supervisé

1,000+ codders inscrits

51 leçons51 défis210 questions de quiz

Adapté aux débutants
Aide au codage assistée par IA
Leçons interactives et pratiques
Quiz pour tester vos connaissances
Certificat gratuit de réussite

Programme

1 sections51 leçons51 défis210 questions de quiz

Cette section fait partie du Journey Machine Learning. Le programme complet contient d'autres sections - clique sur n'importe quel aperçu ci-dessous pour le voir sur la page du Journey.

Section 1Données et visualisations60 leçons
Section 2Statistiques pour le ML64 leçons
Section 3Apprentissage supervisé58 leçons
Section 4
Apprentissage non supervisé
Commencer la sectionDémarrerDévelopperRéduireDécouvrez la structure des données sans étiquettes : k-means, clustering hiérarchique et par densité, PCA pour visualiser et compresser de nombreuses caractéristiques, et détection d’anomalies, pour terminer par un projet d’exploration de chiffres.51 leçons51 défis210 questions
Découvrir des groupes
5 leçons520
01Apprendre sans étiquettesDéfiQuiz
02Mesurer la similaritéDéfiQuiz
03K-Means à la mainDéfiQuiz
04K-Means avec scikit-learnDéfiQuiz
05Récapitulatif : les membres de la salle de sportDéfi
Choisir k
5 leçons520
01InertieDéfiQuiz
02La méthode du coudeDéfiQuiz
03Scores de silhouetteDéfiQuiz
04Mettre à l’échelle avant le clusteringDéfiQuiz
05Récapitulatif : zones de livraisonDéfi
Interpréter les clusters
5 leçons520
01Caractériser les clustersDéfiQuiz
02Centres dans les unités réellesDéfiQuiz
03Clusters et étiquettes connuesDéfiQuiz
04Quand K-Means échoueDéfiQuiz
05Récapitulatif : dégustation de théDéfi
Classification hiérarchique
4 leçons415
01Fusion étape par étapeDéfiQuiz
02Modèles agglomératifsDéfiQuiz
03DendrogrammesDéfiQuiz
04Récapitulatif : races de chiensDéfi
Regroupement par densité
4 leçons415
01DBSCANDéfiQuiz
02Points de bruitDéfiQuiz
03Choisir epsDéfiQuiz
04Récapitulatif : lumières de la villeDéfi
Moins de dimensions
5 leçons520
01Trop de caractéristiquesDéfiQuiz
02ProjectionsDéfiQuiz
03PCADéfiQuiz
04Variance expliquéeDéfiQuiz
05Récapitulatif : chants d’oiseauxDéfi
L’ACP en pratique
5 leçons520
01Visualiser 64 dimensionsDéfiQuiz
02Les composantes comme motifsDéfiQuiz
03Compresser et reconstruireDéfiQuiz
04L’ACP avant un modèleDéfiQuiz
05Récapitulatif : scanner de visagesDéfi
Détection des anomalies
5 leçons520
01Repérer les éléments atypiquesDéfiQuiz
02Forêt d’isolationDéfiQuiz
03Facteur local d’anomalieDéfiQuiz
04Scores d’anomalieDéfiQuiz
05Récapitulatif : surveillance des serveursDéfi
Les clusters en action
4 leçons415
01Segments de clientèleDéfiQuiz
02Les clusters comme caractéristiquesDéfiQuiz
03Couleurs des imagesDéfiQuiz
04Récapitulatif : ambiances des playlistsDéfi
Projet : Explorateur de chiffres
5 leçons525
01Observer les chiffresDéfiQuiz
02Réduire avec la PCADéfiQuiz
03Regrouper les chiffresDéfiQuiz
04Nommer les groupesDéfiQuiz
05Repérer les intrusDéfiQuiz
Défis finaux
4 leçons420
01Segments de coursesDéfiQuiz
02Surveillance des fraudes bancairesDéfiQuiz
03Amas d’étoilesDéfiQuiz
04Deux types de cellulesDéfiQuiz

Voir le programme complet du Journey Machine Learning

Ce que vous obtenez

Tout ce que vous utiliserez pour apprendre à coder

Apprendre en Faisant

Écrivez du vrai code, interrogez des bases de données, créez des sites web et maîtrisez les prompts IA. Nos leçons interactives couvrent toutes les compétences dont les développeurs modernes ont besoin.

playground.js

Éditeur de Code

1const greeting = "Hello, Coddy!"

2function sayHi(name) {

3 return greeting + " " + name

Test n°1

Test n°2

Test n°3

Entrée

"Alex"

Sortie

"Hello, Coddy! Alex"

Construisez Votre Série

Restez constant et regardez vos progrès grandir! Suivez votre habitude quotidienne de codage, protégez votre série avec des jours de gel et gagnez des récompenses en vous connectant chaque jour.

12 jours de série

Revenez demain pour maintenir votre série!

January 2026

Quitte ou Double

Jour 5 sur 7

Gel de Série

2 left

Codez Partout

Emportez votre parcours de codage avec vous! Pas de configuration, pas de téléchargements - ouvrez et commencez à coder. Disponible sur iOS, Android et Web avec des notes de 4.9 étoiles.

250

Variables

CONTINUER

4.9

Note

Vous N'êtes Pas Seul

Affrontez les classements mondiaux, invitez des amis pour gagner des récompenses et célébrez les succès des autres. Coder, c'est mieux entre amis!

Ligue ChallengerLes 7 premiers avancent

Alex7+ Days

2840

Jordan7+ Days

2650

Sam7+ Days

2420

Casey

2180

Morgan7+ Days

1950

Zone de promotion

Apprenez comme vous voulez

Lisez, écoutez, testez-vous, demandez à l'IA ou retrouvez ce que vous avez déjà étudié. Chaque leçon s'adapte à vous.

Intro aux variables

Audio

Une variable est un conteneur nommé qui stocke une valeur réutilisable plus tard dans votre programme.

En Python, on en crée une en écrivant le nom, un signe égal, puis la valeur à stocker.

La valeur peut évoluer : réassigner le nom le fait simplement pointer vers une nouvelle valeur.

1xSarah

Certifiez-vous

Gagnez des certificats pour chaque cours terminé. Ajoutez-les à votre profil LinkedIn et CV pour montrer votre expertise en programmation aux employeurs.

Certificat de Réussite

Ceci certifie queJean Duponta complété avec succès

Fondamentaux de Python

Datejanv. 2026

Ajouter à LinkedIn

Pourquoi se former à l'apprentissage non supervisé avec Coddy

Un clustering qui se voit. Regarde k-means déplacer ses centres, lis les hauteurs de fusion d'un dendrogramme, et vois DBSCAN trouver des groupes en forme de lune que k-means coupe en deux. Chaque leçon a un graphique, et le tien apparaît dans l'onglet Graphiques à chaque exécution.
Les méthodes essentielles : k-means, choisir k avec la méthode du coude et le score de silhouette, clustering hiérarchique, DBSCAN, PCA et variance expliquée, isolation forest et local outlier factor, le tout avec scikit-learn.
Des résultats que tu sais expliquer. Tu décris chaque cluster en unités réelles, tu compares les clusters aux étiquettes connues et tu nommes les segments sur lesquels une entreprise agirait, au lieu de t'arrêter à une liste de numéros de clusters.
64 dimensions rendues visibles : des chiffres manuscrits projetés sur une carte plane, des composantes PCA dessinées comme des images, et des images reconstruites à partir de quelques nombres.

Questions fréquentes sur l'apprentissage non supervisé

Qu'est-ce que l'apprentissage non supervisé ?

L'apprentissage non supervisé trouve une structure dans des données sans étiquettes. Personne ne donne la bonne réponse au modèle ; il cherche des groupes de lignes similaires (clustering), quelques directions qui gardent l'essentiel de l'information (réduction de dimension) ou des lignes qui ne ressemblent pas aux autres (détection d'anomalies). C'est ainsi qu'on explore un nouveau jeu de données, qu'on segmente des clients ou qu'on repère une fraude avant que quiconque l'ait étiquetée.

Quels sont des exemples d'apprentissage non supervisé ?

Regrouper des acheteurs selon ce qu'ils achètent, réduire les couleurs d'une image aux huit qui comptent, projeter des images de chiffres de 64 pixels sur un graphique plat, repérer des mesures de serveur inhabituelles, et séparer des mesures de cellules en deux types sans savoir lequel est lequel. Le cours construit chacun de ces exemples.

Quels algorithmes de clustering et de réduction le cours couvre-t-il ?

k-means avec la méthode du coude et le score de silhouette, clustering agglomératif (hiérarchique) avec dendrogrammes, DBSCAN, PCA, isolation forest et local outlier factor. Tu apprends aussi pourquoi la mise à l'échelle passe en premier et quand chaque méthode échoue, pour choisir la bonne.

Comment choisir le nombre de clusters ?

Il y a rarement une seule bonne réponse, donc le cours enseigne trois façons de regarder : le coude de la courbe d'inertie, le score de silhouette et les hauteurs de fusion d'un dendrogramme. Puis tu vérifies les clusters en unités réelles et tu te demandes si une personne pourrait les nommer. Un k qui donne des groupes que personne ne sait décrire est le mauvais k.

Faut-il commencer par l'apprentissage supervisé ?

Ça aide. La section apprentissage supervisé enseigne la mise à l'échelle, les pipelines et la démarche scikit-learn que cette section réutilise, et ses idées de distance issues des k plus proches voisins reviennent ici dans le clustering. Si tu entraînes déjà des modèles avec scikit-learn, tu peux commencer ici.

Combien de temps dure la section apprentissage non supervisé ?

51 leçons, environ 8 à 9 heures à ton rythme : quelques semaines à raison d'une demi-heure par jour, projet de l'explorateur de chiffres et quatre défis finaux compris.

Peut-on se former à l'apprentissage non supervisé gratuitement ?

Oui. Les leçons, les graphiques, les indices IA et le certificat de section sont gratuits. Un compte gratuit permet de suivre quelques leçons par jour, et Pro supprime la limite quotidienne.

Parcours d'apprentissage qui incluent ce cours

Ce cours est une étape d'un parcours plus long : plusieurs cours dans l'ordre où un mentor les enseignerait, chacun avec son propre certificat gratuit.

Data Scientist

Illustration des langages de programmation de Coddy

Apprends Apprentissage non supervisé avec Coddy

COMMENCER

Apprentissage non supervisé en Python