Le preprocessing et le feature engineering constituent deux étapes essentielles avant l’entraînement d’un modèle de machine learning. Le preprocessing vise à nettoyer et préparer les données en corrigeant les valeurs manquantes, les types ou les échelles pour garantir un jeu de données cohérent. Le feature engineering quant à lui, consiste à transformer ou créer des variables afin de révéler des patterns plus informatifs pour le modèle. Ensemble, ces deux phases permettent de passer de données brutes à des données réellement exploitables afin d'améliorer la qualité et la performance finale d’un modèle.

Le k-means est un algorithme de clustering non supervisé qui regroupe les données en k clusters selon leur similarité. Il fonctionne en alternant deux étapes: assigner chaque point au centroïde le plus proche, puis recalculer les centroïdes comme moyenne des points du cluster. L’objectif est de minimiser la variance interne mesurée par le WCSS. Les performances de l'algorithme dépendent du choix de k et de l’initialisation des centroïdes, d’où l’intérêt de méthodes comme k-means++.

Par Mohamed CHINY

Publié le 25/01/2026

En 2026, la cybersécurité n’est plus seulement une affaire de protection des données, mais un enjeu global qui touche la confiance numérique, la stabilité économique et même la sécurité nationale. L’évolution rapide des technologies (intelligence artificielle, cloud, objets connectés, finance décentralisée...) a ouvert de nouvelles opportunités, mais aussi multiplié les vecteurs d’attaque. Les cybercriminels exploitent désormais des outils aussi sophistiqués que ceux des entreprises, rendant les menaces plus invisibles, plus ciblées et plus difficiles à contrer. Comprendre ces nouvelles menaces...