* 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.
Riduzione della dimensionalità non lineare
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 Miliardo Di Ben Informato [Italian] 
Naturwissenschaften, Medizin, Informatik, Technik / Technik
Beschreibung
1: Riduzione della dimensionalità non lineare: esplora i concetti fondamentali e l'importanza di ridurre i dati ad alta dimensionalità per un'analisi più semplice.
2: Mappa lineare: introduce le basi della mappatura lineare e il suo ruolo nella riduzione della dimensionalità dei dati nell'apprendimento automatico.
3: Macchina a vettori di supporto: scopri come le macchine a vettori di supporto applicano la riduzione della dimensionalità nelle attività di classificazione e nel riconoscimento di pattern.
4: Analisi delle componenti principali: approfondisci la tecnica PCA per trasformare i dati in un set di variabili linearmente non correlate.
5: Isometria: esamina come le tecniche isometriche preservano le distanze tra i punti riducendo al contempo le dimensioni dei dati.
6: Riduzione della dimensionalità: comprendi l'ambito più ampio della riduzione della dimensionalità e le sue applicazioni in vari campi.
7: Incorporamento semidefinito: studia la programmazione semidefinita e la sua connessione ai metodi di riduzione della dimensionalità.
8: Metodo kernel: scopri la potenza dei metodi kernel nella gestione delle relazioni non lineari nella riduzione dei dati.
9: Analisi delle componenti principali del kernel: esplora la capacità di KPCA di eseguire la riduzione della dimensionalità in uno spazio di feature ad alta dimensionalità.
10: Continuazione numerica: scopri come le tecniche di continuazione numerica aiutano a comprendere i sistemi ad alta dimensionalità.
11: Clustering spettrale: scopri come il clustering spettrale sfrutta la riduzione della dimensionalità per raggruppare punti dati simili.
12: Isomap: uno sguardo a Isomap, una tecnica che combina il ridimensionamento multidimensionale con distanze geodetiche per la riduzione della dimensionalità.
13: Lemma di Johnson-Lindenstrauss: approfondisci la matematica del lemma di Johnson-Lindenstrauss, che assicura che la riduzione della dimensionalità mantenga le proprietà geometriche.
14: Modello a cascata lineare-non lineare di Poisson: studia come questo modello integra metodi lineari e non lineari nella riduzione della dimensionalità.
15: Allineamento di collettori: scopri l'allineamento di collettori e la sua importanza nell'allineamento dei dati da diversi domini nella riduzione della dimensionalità.
16: Mappa di diffusione: comprendere come le mappe di diffusione utilizzano il processo di diffusione per la riduzione della dimensionalità in set di dati complessi.
17: Incorporamento stocastico di vicini Tdistributed: esplorare la capacità di tSNE di ridurre la dimensionalità preservando le strutture locali nei dati.
18: Incorporamento kernel delle distribuzioni: studiare come l'incorporamento kernel consente la riduzione della dimensionalità sulle distribuzioni, non solo sui set di dati.
19: Proiezione casuale: un approccio pratico alla riduzione della dimensionalità che si basa su proiezioni casuali per un calcolo rapido.
20: Regolarizzazione manifold: apprendere le tecniche di regolarizzazione manifold e il loro impatto sull'apprendimento da dati ad alta dimensionalità.
21: Modellazione dinamica empirica: scoprire come la modellazione dinamica empirica aiuta nella riduzione della dimensionalità tramite l'analisi dei dati delle serie temporali.
Kundenbewertungen
Analisi delle componenti principali, Incorporamento semidefinito, Isometria, Riduzione della dimensionalità non lineare, Mappa lineare, Macchina a supporto vettoriale, Riduzione della dimensionalità