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

Séance de cours

PCA: Concepts clés

Description

Cette séance de cours couvre les concepts clés de l'analyse des composantes principales (APC), y compris ses propriétés de réduire la dimensionnalité des données et les caractéristiques d'extraction. L'instructeur explique comment l'APC utilise les corrélations existantes entre les points de données et leurs applications comme méthode de compression pour le stockage des données, le prétraitement avant classification et les scénarios d'exercice. Les exercices comprennent la réduction de la dimensionnalité des ensembles de données, le prétraitement pour la classification, l'interprétation des projections de l'APC et des vecteurs propres, et le choix des vecteurs propres optimaux. De plus, l'APC est appliquée aux images et aux visages pour démontrer son efficacité dans l'extraction des fonctionnalités et l'analyse des données.

Cette vidéo est disponible exclusivement sur Mediaspace pour un public restreint. Veuillez vous connecter à Mediaspace pour y accéder si vous disposez des autorisations nécessaires.

Regarder sur Mediaspace

Source officielle

Concepts associés (32)

Valeur propre, vecteur propre et espace propre

En mathématiques, et plus particulièrement en algèbre linéaire, le concept de vecteur propre est une notion algébrique s'appliquant à une application linéaire d'un espace dans lui-même. Il correspond à l'étude des axes privilégiés, selon lesquels l'application se comporte comme une dilatation, multipliant les vecteurs par une même constante. Ce rapport de dilatation est appelé valeur propre, les vecteurs auxquels il s'applique s'appellent vecteurs propres, réunis en un espace propre.

Generalized eigenvector

In linear algebra, a generalized eigenvector of an matrix is a vector which satisfies certain criteria which are more relaxed than those for an (ordinary) eigenvector. Let be an -dimensional vector space and let be the matrix representation of a linear map from to with respect to some ordered basis. There may not always exist a full set of linearly independent eigenvectors of that form a complete basis for . That is, the matrix may not be diagonalizable.

Analyse des données

L’analyse des données (aussi appelée analyse exploratoire des données ou AED) est une famille de méthodes statistiques dont les principales caractéristiques sont d'être multidimensionnelles et descriptives. Dans l'acception française, la terminologie « analyse des données » désigne donc un sous-ensemble de ce qui est appelé plus généralement la statistique multivariée. Certaines méthodes, pour la plupart géométriques, aident à faire ressortir les relations pouvant exister entre les différentes données et à en tirer une information statistique qui permet de décrire de façon plus succincte les principales informations contenues dans ces données.

Décomposition d'une matrice en éléments propres

En algèbre linéaire, la décomposition d'une matrice en éléments propres est la factorisation de la matrice en une forme canonique où les coefficients matriciels sont obtenus à partir des valeurs propres et des vecteurs propres. Un vecteur non nul v à N lignes est un vecteur propre d'une matrice carrée A à N lignes et N colonnes si et seulement si il existe un scalaire λ tel que : où λ est appelé valeur propre associée à v. Cette dernière équation est appelée « équation aux valeurs propres ».

Defective matrix

In linear algebra, a defective matrix is a square matrix that does not have a complete basis of eigenvectors, and is therefore not diagonalizable. In particular, an n × n matrix is defective if and only if it does not have n linearly independent eigenvectors. A complete basis is formed by augmenting the eigenvectors with generalized eigenvectors, which are necessary for solving defective systems of ordinary differential equations and other problems.

Afficher plus

Séances de cours associées (36)

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.

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.

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 la dimensionnalité : PCA et autoencodeurs

Introduit des réseaux de neurones artificiels, des CNN et une réduction de la dimensionnalité à l'aide de PCA et d'auto-encodeurs.

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.

Afficher plus

Concepts associés (32)

Valeur propre, vecteur propre et espace propre

Generalized eigenvector

Analyse des données

Décomposition d'une matrice en éléments propres

Defective matrix

Afficher plus