Séances de cours associées à Réduction dimensionnelle

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 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.

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 de corrélation canonique: Vue d'ensemble

Couvre l'analyse canonique de corrélation, une méthode pour trouver des relations entre deux ensembles de variables.

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 : 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.

Méthodes multivariées I

Explore des méthodes multivariées telles que PCA, SVD, PLS et ICA pour la réduction de la dimensionnalité dans l'imagerie cérébrale fonctionnelle.

Décomposition de la valeur singulaire

Explore la Décomposition de la Valeur Singulière et son rôle dans l'apprentissage non supervisé et la réduction de dimensionnalité, en mettant l'accent sur ses propriétés et applications.

Méthodes de regroupement et réduction de dimensionnalité

Couvre les méthodes de regroupement et les techniques de réduction de dimensionnalité.

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.

Clustering spectral : théorie et applications

Explore la théorie du clustering spectral, la décomposition des valeurs propres, la matrice laplacienne et les applications pratiques dans l'identification des clusters.

SVD: Décomposition de la valeur singulaire

Couvre le concept de Décomposition de Valeur Singulaire (SVD) pour compresser l'information dans les matrices et les images.

Décomposition de la valeur singulière : théorie et applications

Explorer la théorie de la décomposition de la valeur singulaire, les propriétés, l'unicité, l'approximation matricielle et les applications de réduction de dimensionnalité.

PCA: Directions de la plus grande variance Connectez-vous à Mediaspace pour regarder cette vidéo

Couvre l'APC, trouvant les directions de la plus grande variance, la réduction de dimensionnalité des données et les limites de l'APC.

Apprentissage sans supervision: PCA & K-means Connectez-vous à Mediaspace pour regarder cette vidéo

Couvre l'apprentissage non supervisé avec l'APC et les moyennes K pour la réduction de dimensionnalité et le regroupement 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.

Décomposition de la valeur singulière : applications et interprétation Connectez-vous à Mediaspace pour regarder cette vidéo

Explique la construction de U, la vérification des résultats et l'interprétation de SVD dans la décomposition matricielle.

Analyse des composantes principales : Médailles olympiques et compression d'image Connectez-vous à Mediaspace pour regarder cette vidéo

Explore l'APC pour prédire la distribution des médailles et compresser les images du visage.

Apprentissage non supervisé : analyse des composantes principales Connectez-vous à Mediaspace pour regarder cette vidéo

Couvre l'apprentissage non supervisé en mettant l'accent sur l'analyse de la composante principale et la décomposition de la valeur singulière.

Apprentissage non supervisé : recommandation de film Connectez-vous à Mediaspace pour regarder cette vidéo

Couvre l'apprentissage non supervisé pour la recommandation de films en utilisant la décomposition des valeurs singulières.