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.
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.
Explore l'hypothèse de thermalisation d'état propre dans les systèmes quantiques, en mettant l'accent sur la théorie de la matrice aléatoire et le comportement des observables dans l'équilibre thermique.
Explore la similarité de la matrice, la diagonalisation, les polynômes caractéristiques, les valeurs propres et les vecteurs propres dans l'algèbre linéaire.
Explore les fondamentaux du traitement des signaux, y compris les signaux de temps discrets, la factorisation spectrale et les processus stochastiques.
Explore les propriétés et les exemples de matrices diagonalisables, en mettant l'accent sur la relation entre les vecteurs propres et les valeurs propres.
Couvre la décomposition d'une matrice dans ses valeurs propres et ses vecteurs propres, l'orthogonalité des vecteurs propres et la normalisation des vecteurs.