Outil d'analyse et d'évaluation dédié à l'apprentissage non supervisé, permettant d'évaluer la qualité des clusters générés par des algorithmes de partitionnement. Ce module Python calcule plus de 40 indices internes de validation (comme l'indice de Dunn, de Davies-Bouldin ou de Calinski-Harabasz) pour mesurer la cohésion et la séparation des groupes. Il propose également des outils d'analyse de densité, de visualisation 2D/3D et de détection de confusion entre clusters via des hypersphères multidimensionnelles.

Module de formation dédié à l'analyse de données multidimensionnelles pour les professionnels. Il propose une méthodologie pour choisir les méthodes statistiques adaptées (ACP, AFC, ACM, CAH) en fonction des données. Le module inclut des mises en œuvre pratiques avec R, des sorties graphiques et des interprétations pour faciliter l'apprentissage et l'application des techniques d'analyse.