# ML Non supervisé (Data Science & ML)

> K-Means, clustering hiérarchique, DBSCAN, PCA, t-SNE, UMAP, silhouette score, elbow method

- 22 questions d'entretien
- Confirmé
- [Questions d'entretien: Data Science & ML](https://sharpskill.dev/fr/technologies/data-science/questions-entretien.md)

## 1. Quelle est la principale différence entre l'apprentissage supervisé et l'apprentissage non supervisé ?

**Réponse**

L'apprentissage non supervisé travaille avec des données non étiquetées, cherchant à découvrir des structures ou patterns cachés sans variable cible prédéfinie. Contrairement au supervisé qui prédit une valeur connue (label), le non supervisé explore les données pour trouver des groupes naturels, réduire la dimensionnalité ou détecter des anomalies. Les algorithmes comme K-Means, PCA ou DBSCAN sont des exemples typiques d'apprentissage non supervisé.

## 2. Comment fonctionne l'algorithme K-Means pour partitionner les données ?

**Réponse**

K-Means est un algorithme itératif qui partitionne les données en K clusters. Il initialise K centroïdes aléatoirement, puis alterne entre deux étapes : assigner chaque point au centroïde le plus proche (étape d'assignation) et recalculer la position des centroïdes comme la moyenne des points assignés (étape de mise à jour). L'algorithme converge quand les assignations ne changent plus ou après un nombre maximal d'itérations.

## 3. Quelle méthode utiliser pour déterminer le nombre optimal de clusters K dans K-Means ?

**Réponse**

La méthode du coude (elbow method) trace l'inertie (somme des distances au carré entre chaque point et son centroïde) en fonction de K. Le point où la courbe forme un coude indique le K optimal, car au-delà l'ajout de clusters n'améliore plus significativement l'inertie. Cette méthode est complétée par le silhouette score pour valider la qualité des clusters.

## 19 questions supplémentaires disponibles

- Qu'est-ce que le silhouette score mesure dans le contexte du clustering ?
- Quelle est la plage de valeurs du silhouette score et comment interpréter un score de 0.7 ?

S'inscrire gratuitement: https://sharpskill.dev/fr/login

## Autres sujets d'entretien Data Science & ML

- [Les bases de Python](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/python-basics.md): 25 questions, Junior
- [Programmation Orientée Objet Python](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/python-oop.md): 20 questions, Junior
- [Structures de données Python](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/python-data-structures.md): 20 questions, Junior
- [Fondamentaux Git](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/git-fundamentals.md): 18 questions, Junior
- [Les bases de SQL](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/sql-basics.md): 20 questions, Junior
- [Fondamentaux NumPy](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/numpy-fundamentals.md): 22 questions, Junior
- [Les bases de Pandas](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/pandas-basics.md): 22 questions, Junior
- [Jupyter & Google Colab](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/jupyter-colab.md): 16 questions, Junior
- [SQL Joins & Requêtes avancées](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/sql-joins-advanced.md): 22 questions, Confirmé
- [Pandas avancé](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/pandas-advanced.md): 24 questions, Confirmé
- [Visualisation avec Matplotlib & Seaborn](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/matplotlib-seaborn.md): 20 questions, Confirmé
- [Visualisations interactives avec Plotly](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/plotly-interactive.md): 18 questions, Confirmé
- [Statistiques descriptives](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/statistics-descriptive.md): 20 questions, Confirmé
- [Statistiques inférentielles](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/statistics-inferential.md): 24 questions, Confirmé
- [Web Scraping](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/web-scraping.md): 18 questions, Confirmé
- [BigQuery & Cloud Data](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/bigquery-cloud.md): 18 questions, Confirmé
- [Feature Engineering](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/feature-engineering.md): 22 questions, Confirmé
- [ML Supervisé : Régression](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/ml-supervised-regression.md): 24 questions, Confirmé
- [ML Supervisé : Classification](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/ml-supervised-classification.md): 24 questions, Confirmé
- [Arbres de décision & Ensembles](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/ml-trees-ensembles.md): 24 questions, Confirmé
- [Pipelines ML & Validation](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/ml-pipelines-validation.md): 22 questions, Confirmé
- [Séries temporelles & Prévisions](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/time-series-forecasting.md): 22 questions, Confirmé
- [Fondamentaux Deep Learning](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/deep-learning-fundamentals.md): 24 questions, Senior
- [TensorFlow & Keras](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/tensorflow-keras.md): 22 questions, Senior
- [CNN & Classification d'images](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/cnn-image-classification.md): 24 questions, Senior
- [RNN & Séquences](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/rnn-sequences.md): 22 questions, Senior
- [Transformers & Attention](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/transformers-attention.md): 24 questions, Senior
- [NLP & Hugging Face](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/nlp-huggingface.md): 24 questions, Senior
- [GenAI & LangChain](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/genai-langchain.md): 24 questions, Senior
- [MLOps & Déploiement](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/mlops-deployment.md): 24 questions, Senior

---

Source: SharpSkill (https://sharpskill.dev), tech interview preparation for your real stack.
HTML version of this page: https://sharpskill.dev/fr/technologies/data-science/questions-entretien/ml-unsupervised