Stanford CS229 Machine Learning | Spring 2026 | Lecture 9: K-Means and GMM (non-EM)

Ce cours magistral de Stanford CS229 offre une introduction pédagogique de qualité aux algorithmes de clustering non supervisés, K-Means et GMM. Le professeur Chris Ré, expert reconnu en machine learning, adopte une approche intuitive et progressive, ce qui facilite la compréhension des concepts fondamentaux. La présentation de K-Means est claire, avec des schémas illustratifs et des explications étape par étape. L’accent mis sur les questions de modélisation et les hypothèses est pertinent, car il prépare les étudiants à aborder des problèmes plus complexes. Cependant, la vidéo présente quelques limites : le cours est enregistré en direct, avec des interactions avec les étudiants, ce qui peut parfois nuire à la fluidité. De plus, la partie sur les GMM est moins détaillée que celle sur K-Means, et l’algorithme EM n’est qu’évoqué, renvoyant à la prochaine séance. Les aspects théoriques, comme la preuve de convergence ou l’analyse de complexité, sont survolés. Les sources citées se limitent aux liens institutionnels de Stanford, sans références bibliographiques supplémentaires. Malgré ces réserves, le contenu est scientifiquement solide et adapté à un public d’étudiants en master. L’adéquation entre le titre et le contenu est parfaite. En conclusion, cette vidéo constitue une ressource pédagogique de valeur pour qui souhaite comprendre les bases du clustering non supervisé.

Le titre correspond exactement au contenu : il s'agit bien du cours 9 de CS229, consacré à K-Means et aux modèles de mélanges gaussiens (GMM), sans la partie EM.

8/10

Cours universitaire de niveau master (Stanford CS229) dispensé par des professeurs reconnus. Contenu pédagogique structuré, explications théoriques solides, mais pas de démonstrations formelles complètes ni de références bibliographiques détaillées dans la vidéo.

Repères établis par PSI à partir de la transcription : le créateur n'a pas défini de chapitres.

• 00:00Introduction au cours : apprentissage non supervisé, objectifs de la séance.
• 02:00Rappel de l'apprentissage supervisé et contraste avec l'apprentissage non supervisé.
• 05:00Présentation de l'algorithme K-Means : intuition, paramètre k, centres de clusters.
• 10:00Déroulement de l'algorithme : initialisation, affectation des points, mise à jour des centres.
• 15:00Discussion sur la terminaison de K-Means et la complexité NP-difficile.
• 20:00Introduction aux modèles de mélanges gaussiens (GMM) comme version probabiliste de K-Means.
• 25:00Présentation de l'algorithme EM et de l'inégalité de Jensen comme outil clé.
• 30:00Discussion sur les applications et les limites des méthodes de clustering.

• CS229 Course Website (Spring 2026) — Page officielle du cours CS229, mentionnée en description pour accéder au syllabus et aux supports de cours.
• Stanford Artificial Intelligence Programs — Lien vers les programmes professionnels et diplômants en IA de Stanford, mentionné en description.

• CS229 Course Website (Spring 2026) — Le site officiel du cours fournit les supports de cours et les références, en cohérence avec le contenu de la vidéo.