* Affiliatelinks/Werbelinks
Links auf reinlesen.de sind sogenannte Affiliate-Links. Wenn du auf so einen Affiliate-Link klickst und über diesen Link einkaufst, bekommt reinlesen.de von dem betreffenden Online-Shop oder Anbieter eine Provision. Für dich verändert sich der Preis nicht.
Réduction de dimensionnalité non linéaire
Fouad Sabry
* Affiliatelinks/Werbelinks
Links auf reinlesen.de sind sogenannte Affiliate-Links. Wenn du auf so einen Affiliate-Link klickst und über diesen Link einkaufst, bekommt reinlesen.de von dem betreffenden Online-Shop oder Anbieter eine Provision. Für dich verändert sich der Preis nicht.
Un Milliard De Personnes Informées [French] 
Naturwissenschaften, Medizin, Informatik, Technik / Technik
Beschreibung
1 : Réduction de la dimensionnalité non linéaire : Explorez les concepts fondamentaux et l'importance de réduire les données de grande dimension pour faciliter l'analyse.
2 : Carte linéaire : Présente les bases de la cartographie linéaire et son rôle dans la réduction de la dimensionnalité des données dans l'apprentissage automatique.
3 : Machine à vecteurs de support : Découvrez comment les machines à vecteurs de support appliquent la réduction de la dimensionnalité dans les tâches de classification et la reconnaissance de formes.
4 : Analyse en composantes principales : Plongez dans la technique de l'ACP pour transformer les données en un ensemble de variables linéairement non corrélées.
5 : Isométrie : Examinez comment les techniques isométriques préservent les distances entre les points tout en réduisant les dimensions des données.
6 : Réduction de la dimensionnalité : Comprenez la portée plus large de la réduction de la dimensionnalité et ses applications dans divers domaines.
7 : Incorporation semi-définie : Étudiez la programmation semi-définie et son lien avec les méthodes de réduction de la dimensionnalité.
8 : Méthode du noyau : Découvrez la puissance des méthodes du noyau dans la gestion des relations non linéaires dans la réduction des données.
9 : Analyse des composantes principales du noyau : découvrez la capacité de KPCA à effectuer une réduction de dimensionnalité dans un espace de caractéristiques à haute dimension.
10 : Continuation numérique : découvrez comment les techniques de continuation numérique aident à comprendre les systèmes à haute dimension.
11 : Regroupement spectral : comprenez comment le regroupement spectral exploite la réduction de dimensionnalité pour regrouper des points de données similaires.
12 : Isomap : un aperçu d'Isomap, une technique qui combine la mise à l'échelle multidimensionnelle avec des distances géodésiques pour la réduction de dimensionnalité.
13 : Lemme de Johnson-Lindenstrauss : explorez les mathématiques du lemme de Johnson-Lindenstrauss, qui garantit que la réduction de dimensionnalité conserve les propriétés géométriques.
14 : Modèle de cascade de Poisson linéaire/non linéaire : étudiez comment ce modèle intègre des méthodes linéaires et non linéaires dans la réduction de dimensionnalité.
15 : Alignement de collecteur : découvrez l'alignement de collecteur et son importance dans l'alignement de données de différents domaines dans la réduction de dimensionnalité.
16 : Carte de diffusion : comprendre comment les cartes de diffusion utilisent le processus de diffusion pour la réduction de la dimensionnalité dans des ensembles de données complexes.
17 : Incorporation stochastique distribuée de voisins : explorer la capacité de tSNE à réduire la dimensionnalité tout en préservant les structures locales dans les données.
18 : Incorporation de noyaux de distributions : étudier comment l'incorporation de noyaux permet la réduction de la dimensionnalité sur les distributions, pas seulement sur les ensembles de données.
19 : Projection aléatoire : une approche pratique de la réduction de la dimensionnalité qui s'appuie sur des projections aléatoires pour un calcul rapide.
20 : Régularisation de variétés : découvrir les techniques de régularisation de variétés et leur impact sur l'apprentissage à partir de données de grande dimension.
21 : Modélisation dynamique empirique : découvrir comment la modélisation dynamique empirique aide à la réduction de la dimensionnalité grâce à l'analyse de données de séries chronologiques.
Kundenbewertungen
Analyse des composantes principales, Carte linéaire, Réduction de la dimensionnalité, Isométrie, Réduction de dimensionnalité non linéaire, Machine à vecteurs de support, Encastrement semi-défini