Mediaspace scheduled maintenance: Aug 25, 2026 07:00 - 12:00 AM. During this time, videos will be temporarily unavailable. Check status updates.

Concept

Analyse en composantes principales

Séances de cours associées (30)

Composantes principales : Propriétés et applications

Explore les principales composantes, la covariance, la corrélation, le choix et les applications dans l'analyse des données.

Analyse des composantes principales : réduction de la dimensionnalité

Couvre l'analyse des composantes principales pour la réduction de dimensionnalité, en explorant ses applications, ses limites et l'importance de choisir les composantes appropriées.

Analyse des composantes principales : Introduction

Introduit l'analyse des composantes principales, en mettant l'accent sur la maximisation de la variance dans les combinaisons linéaires pour résumer efficacement les données.

Réduction de dimensionnalité: PCA & Codeurs automatiques

Explore PCA, Autoencoders, et leurs applications dans la réduction de dimensionnalité et la production de données.

Kernel PCA : Réduction de la dimensionnalité non linéaire

Explore Kernel Principal Component Analysis, une méthode non linéaire utilisant des noyaux pour la résolution linéaire de problèmes et la réduction des dimensions.

Méthodes multivariées II: ICA pour l'imagerie cérébrale fonctionnelle

Explore l'analyse indépendante des composants en imagerie cérébrale fonctionnelle, en se concentrant sur les sources non gaussiennes, les artefacts de nettoyage et les études de groupe.

Analyse des composantes principales : réduction de la dimensionnalité

Explore l'analyse des composants principaux pour la réduction de la dimensionnalité dans l'apprentissage automatique, en présentant ses capacités d'extraction de fonctionnalités et de prétraitement de données.

Séries chronologiques financières: modèles ARCH et GARCH

Couvre l'analyse de régression, la régression linéaire multivariée, l'analyse des composantes principales et les modèles de facteurs.

Apprentissage non supervisé : réduction de la dimensionnalité

Explore les techniques d'apprentissage non supervisées pour réduire les dimensions des données, en mettant l'accent sur l'APC, l'ADL et l'APC du noyau.

Réduction des dimensions linéaires : PCA et LDA

Explore PCA et LDA pour la réduction de dimensionnalité linéaire dans les données, en mettant l'accent sur les techniques de clustering et de séparation de classe.

Estimation de la structure à terme : analyse des composantes principales

Couvre l'analyse des composantes principales pour l'estimation de la forme de la courbe de rendement et la réduction des dimensions dans les modèles de taux d'intérêt.

Genes Mirror Géographie en Europe

Couvre l'analyse des composantes principales à l'aide de matrices pour rapprocher les données génétiques.

Analyse des données textuelles: réduction de la classification et de la dimensionnalité

Explore la classification des données textuelles, en se concentrant sur des méthodes telles que les bayes naïques et les techniques de réduction de la dimensionnalité telles que l'analyse des composantes principales.

Gestion quantitative des risques : distributions et techniques

Couvre les distributions et les techniques de gestion quantitative des risques pour la modélisation financière.

Réduction des dimensions linéaires

Explore la réduction des dimensions linéaires grâce à la PCA, à la maximisation de la variance et à des applications réelles telles que l'analyse des données médicales.

Taylor polynômes: Approximation des fonctions

Introduit les polynômes de Taylor pour approximer les fonctions autour d'un point, mettant en évidence leur importance dans la représentation précise des fonctions.

Apprentissage non supervisé: théorème de Young-Eckart-Mirsky et introduction à PCA

Introduit le théorème de Young-Eckart-Mirsky et PCA pour l'apprentissage non supervisé et la visualisation de données.

Analyse des composantes principales : réduction de la dimensionnalité

Explorer l'analyse des composantes principales pour la réduction de dimensionnalité et la sélection de fonctionnalités non supervisées.

Modélisation d'entropie maximale: Applications et inférence

Explore les applications de modélisation d'entropie maximale en neurosciences et en données de séquences de protéines.

Analyse des composantes principales : réduction des dimensions

Couvre l'analyse en composantes principales pour la réduction dimensionnelle des données biologiques, en se concentrant sur la visualisation et l'identification des modèles.