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

Recherche

Afficher tous les résultats pour

Accueil

Séance de cours

Méthodes multivariées II: ICA pour l'imagerie cérébrale fonctionnelle

À propos
Confidentialité
Mentions légales

Graph Chatbot

Séances de cours associées (35)

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 : 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.

Composantes principales : Propriétés et applications

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

Réduction de dimensionnalité: PCA & Codeurs automatiques

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

Analyse des composantes principales : propriétés et applications

Explorer la théorie principale de l'analyse des composants, les propriétés, les applications et les tests d'hypothèse dans les statistiques multivariées.

PCA: Intuition

Couvre les bases de l'APC, les exercices sur la réduction de la dimensionnalité et les critères de choix des projections.

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.

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.

Comprendre les auto-encodeurs

Explore les autoencodeurs, des mappages linéaires en PCA aux mappages non linéaires, aux autoencodeurs profonds et à leurs applications.

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.

Clustering: Théorie et pratique

Couvre la théorie et la pratique des algorithmes de regroupement, y compris PCA, K-means, Fisher LDA, groupement spectral et réduction de dimensionnalité.

Réduction de la dimensionnalité: PCA & LDA Connectez-vous à Mediaspace pour regarder cette vidéo

Couvre PCA et LDA pour la réduction de dimensionnalité, expliquant la maximisation de la variance, les problèmes de vecteurs propres et les avantages de Kernel PCA pour les données non linéaires.

Caractérisation des données: PCA & Spike Tri Connectez-vous à Mediaspace pour regarder cette vidéo

Explore PCA pour la simplification des données et Spike Tri pour l'identification de la forme.

Analyse de la composante principale: Eigenfaces Connectez-vous à Mediaspace pour regarder cette vidéo

Couvre l'application de l'analyse en composantes principales dans la reconnaissance faciale à l'aide d'un ensemble de données de visages célèbres.

Apprentissage sans supervision : regroupement et réduction de dimensionnalité Connectez-vous à Mediaspace pour regarder cette vidéo

Introduit l'apprentissage non supervisé en cluster avec les moyennes K et la réduction de dimensionnalité à l'aide de PCA, ainsi que des exemples pratiques.

PCA: Cours interactif Connectez-vous à Mediaspace pour regarder cette vidéo

Sur PCA comprend des exercices interactifs et met l'accent sur la réduction de la perte d'information.

Réduction de dimensionnalité: PCA & t-SNE Connectez-vous à Mediaspace pour regarder cette vidéo

Explore PCA et t-SNE pour réduire les dimensions et visualiser efficacement les données à haute dimension.

Réduction de la dimensionnalité : PCA et LDA Connectez-vous à Mediaspace pour regarder cette vidéo

Couvre les techniques de réduction de dimensionnalité telles que PCA et LDA, les méthodes de clustering, l'estimation de la densité et la représentation des données.

Analyse en composantes principales : Applications et limites Connectez-vous à Mediaspace pour regarder cette vidéo

Explore les applications et les limites de l'analyse en composantes principales, y compris le débruitage, la compression et la régression.

Page 1 sur 2