Fouad Sabry

Réduction de dimensionnalité non linéaire (eBook, ePUB)

Techniques avancées pour améliorer la représentation des données dans les systèmes robotiques
Übersetzer: Souplet, Nicholas

• Format: ePub

Produktbeschreibung

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.

---

Dieser Download kann aus rechtlichen Gründen nur mit Rechnungsadresse in A, B, BG, CY, CZ, D, DK, EW, E, FIN, F, GR, H, IRL, I, LT, L, LR, M, NL, PL, P, R, S, SLO, SK ausgeliefert werden.

Produktdetails

• Verlag: Un Milliard De Personnes Informées [French]
• Seitenzahl: 320
• Erscheinungstermin: 17. Dezember 2024
• Französisch
• ISBN-13: 6610000686490
• Artikelnr.: 72637036