* 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.
Redução de dimensionalidade não linear
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.
Um Bilhão Bem Informado [Portuguese] 
Naturwissenschaften, Medizin, Informatik, Technik / Technik
Beschreibung
1: Redução de dimensionalidade não linear: Explore conceitos fundamentais e a importância de reduzir dados de alta dimensionalidade para facilitar a análise.
2: Mapa linear: Introduz os fundamentos do mapeamento linear e seu papel na redução da dimensionalidade de dados no aprendizado de máquina.
3: Máquina de vetor de suporte: Aprenda como as máquinas de vetor de suporte aplicam a redução de dimensionalidade em tarefas de classificação e reconhecimento de padrões.
4: Análise de componentes principais: Mergulhe na técnica da PCA para transformar dados em um conjunto de variáveis linearmente não correlacionadas.
5: Isometria: Examine como as técnicas isométricas preservam distâncias entre pontos enquanto reduzem as dimensões dos dados.
6: Redução de dimensionalidade: Entenda o escopo mais amplo da redução de dimensionalidade e suas aplicações em vários campos.
7: Incorporação semidefinida: Estude a programação semidefinida e sua conexão com métodos de redução de dimensionalidade.
8: Método kernel: Descubra o poder dos métodos kernel no tratamento de relacionamentos não lineares na redução de dados.
9: Análise de componentes principais do kernel: Explore a capacidade do KPCA de realizar redução de dimensionalidade em um espaço de recursos de alta dimensão.
10: Continuação numérica: Aprenda como as técnicas de continuação numérica auxiliam na compreensão de sistemas de alta dimensão.
11: Agrupamento espectral: Entenda como o agrupamento espectral alavanca a redução de dimensionalidade para agrupar pontos de dados semelhantes.
12: Isomap: Uma olhada no Isomap, uma técnica que combina escala multidimensional com distâncias geodésicas para redução de dimensionalidade.
13: Lema de Johnson–Lindenstrauss: Mergulhe na matemática do lema de Johnson-Lindenstrauss, que garante que a redução de dimensionalidade mantenha as propriedades geométricas.
14: Modelo de cascata de Poisson linear não linear: Estude como este modelo integra métodos lineares e não lineares na redução de dimensionalidade.
15: Alinhamento de coletores: Aprenda sobre o alinhamento de coletores e sua importância no alinhamento de dados de diferentes domínios na redução de dimensionalidade.
16: Mapa de difusão: Entenda como os mapas de difusão usam o processo de difusão para redução de dimensionalidade em conjuntos de dados complexos.
17: Incorporação de vizinhos estocásticos distribuídos: Explore a capacidade do tSNE de reduzir dimensionalidade enquanto preserva estruturas locais em dados.
18: Incorporação de kernel de distribuições: Estude como a incorporação de kernel permite a redução de dimensionalidade em distribuições, não apenas em conjuntos de dados.
19: Projeção aleatória: Uma abordagem prática para redução de dimensionalidade que depende de projeções aleatórias para computação rápida.
20: Regularização de coletores: Aprenda sobre técnicas de regularização de coletores e seu impacto no aprendizado de dados de alta dimensão.
21: Modelagem dinâmica empírica: Descubra como a modelagem dinâmica empírica auxilia na redução de dimensionalidade por meio da análise de dados de séries temporais.
Kundenbewertungen
Máquina de vetores de suporte, Redução de dimensionalidade, Mapa linear, Incorporação semidefinida, Análise de componentes principais, Redução de dimensionalidade não linear, Isometria