Explore l'approche structurée de l'analyse exploratoire des données spatiales, en soulignant l'importance des cadres analytiques et du mantra de recherche visuelle.
Couvre le choix du portefeuille de variance moyenne, les modèles factoriels, l'APT, le ratio Sharpe, les anomalies de taille et de valeur, les modèles Fama et français et la recherche factorielle.
Couvre PCA et LDA pour la réduction de dimensionnalité, expliquant la maximisation de la variance, les problèmes de vecteurs propres et les avantages de Kernel PCA pour les données non linéaires.
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.
Explore l'analyse indépendante des composants en imagerie cérébrale fonctionnelle, en se concentrant sur les sources non gaussiennes, les artefacts de nettoyage et les études de groupe.
