Réduction des dimensions linéaires

Cette séance de cours couvre le concept de réduction de dimensionnalité linéaire, en commençant par le théorème de Cover et l'importance des espaces de grande dimension. Il se penche ensuite sur l'analyse en composantes principales (ACP), en se concentrant sur la maximisation de la variance et la cartographie linéaire optimale. L'instructeur explique comment l'ACP peut être appliquée à des ensembles de données réels tels que MNIST et l'ensemble de données UCI Iris, ainsi qu'à des applications médicales telles que l'analyse du génome du cancer. La séance de cours se termine par des exemples de PCA dans la modélisation 3D des visages et des visages propres pour la reconstruction d'images.