just few fixes

TP/TP2_mardi/tp_clustering.ipynb

 %% Cell type:markdown id: tags:
 
 # TP Clustering / non-supervisé
 
 %% Cell type:markdown id: tags:
 
 Aujourd'hui, on utilisera les données proposées par scikit learn. Ces données sont déjà nettoyées, déjà prêtes dans la libraries.
 Pour commencer, importer les libraries : numpy, matplotlib et le module datasets de scikit-learn
 
 %% Cell type:code id: tags:
 
 ``` python
 ```
 
 %% Cell type:markdown id: tags:
 
 Maintenant, on va utiliser les fonctions suivantes de la libraire dataset : datasets.make_circles, datasets.make_moons, datasets.make_blobs, datasets.make_blobs.
 Consulter la documentation intégrées de ces méthodes.
 Vous pouvez trouver des exemples d'utilisation de ces méthodes sur https://scikit-learn.org/stable/auto_examples/cluster/plot_cluster_comparison.html
 
 %% Cell type:code id: tags:
 
 ``` python
 ```
 
 %% Cell type:markdown id: tags:
 
 Générer 4 datasets, avec les paramètres suivants: n = 100, noise = .05, random_state = 8, cluster_std=[1.0, 2.5, 0.5].
 
 %% Cell type:code id: tags:
 
 ``` python
 ```
 
 %% Cell type:markdown id: tags:
 
-Tracer les données générées dans $R^2$.
+Tracer les données générées dans le plan ($R^2$).
 Commenter la difficulté du clustering.
 
 %% Cell type:code id: tags:
 
 ``` python
 ```
 
 %% Cell type:markdown id: tags:
 
 # Formatage du jeu de données
 
 %% Cell type:markdown id: tags:
 
 Pour entrainer nos alogrithmes, on va splitter notre jeu de données en 3 sous jeu de données:
 - train
 - validation
 - test
 
 Pourquoi est-ce nécessaire?
 
 Pour cela, utiliser la fonction scikit-learn `sklearn.model_selection.train_test_split`. Importer cette méthode,
 
 %% Cell type:code id: tags:
 
 ``` python
 ```
 
 %% Cell type:markdown id: tags:
 
 # K-means
 Utiliser les k-means sur chacun des datasets. __Conseil:__ : Une cellule par dataset pour plus de clarté.
 
 %% Cell type:code id: tags:
 
 ``` python
 ```
 
 %% Cell type:markdown id: tags:
 
-Comment avez vous choisi K ? Faites quelques testes, commentez les résultats. Gardez le meilleur hyperparmètre K.
+Comment avez vous choisi K ? Faites quelques tests, commentez les résultats. Gardez le meilleur hyperparmètre K.
 
 %% Cell type:code id: tags:
 
 ``` python
 ```
 
 %% Cell type:markdown id: tags:
 
 Relancer plusieurs fois pour chaque dataset. Obtenez-vous les mêmes résultats? Si non, pourquoi?
 
 %% Cell type:code id: tags:
 
 ``` python
 ```
 
 %% Cell type:markdown id: tags:
 
 # ACP / PCA / Principal Components Analysis
 On a vu la PCA ce matin. La fonction Scikit pour cette transformation est `sklearn.decomposition.PCA`. À vrai dire, c'est un objet. Consulter la documentation rapidemment : https://scikit-learn.org/stable/modules/generated/sklearn.decomposition.PCA.html ou la doc intégrée.
-Effectuer une PCA sur vos données avec 2 composants.
+Effectuer une PCA sur vos données avec 2 composantes.
 
 %% Cell type:code id: tags:
 
 ``` python
 ```
 
 %% Cell type:markdown id: tags:
 
 Commentez la variance que vous avez pu expliquer.
 
 %% Cell type:code id: tags:
 
 ``` python
 ```
 
 %% Cell type:markdown id: tags:
 
 Charger le jeu de données iris. Ce jeu de données est un dataset très connu, assez facile.
 
 %% Cell type:code id: tags:
 
 ``` python
 ```
 
 %% Cell type:markdown id: tags:
 
 Effectuer une PCA. Quelle est la variance expliquée?
 
 %% Cell type:code id: tags:
 
 ``` python
 ```
 
 %% Cell type:markdown id: tags:
 
 Finalement, tracer ce jeu de données dans $R^2$. Est-ce facile de retrouver des clusters?
 
 %% Cell type:code id: tags:
 
 ``` python
 ```
 
 %% Cell type:markdown id: tags:
 
 # Si vous vous ennuyez
 Si vous avez le temps, essayez de lancer un k-means sur les iris. Ensuite, effectuez une PCA, puis relancer des k-means.
 
 %% Cell type:code id: tags:
 
 ``` python
 ```
 
 %% Cell type:markdown id: tags:
 
 Est-ce que vos résultats sont différents ?
 Essayer de tracer vos résultats, en indiquant les clusters trouvés.
 
 %% Cell type:code id: tags:
 
 ``` python
 ```