Réduction des dimensions linéaires : PCA et LDA

Cette séance de cours couvre les concepts d'analyse en composantes principales (PCA) et d'analyse discriminante linéaire (LDA) pour la réduction de la dimensionnalité des données. En commençant par un exemple de jouet, l'instructeur explique comment PCA mappe les données dans un espace de dimension inférieure tout en subissant une perte d'informations. La séance de cours explore ensuite la cartographie linéaire optimale à l'aide de PCA, l'importance de regrouper des échantillons au sein d'une même classe et de séparer différentes classes à l'aide de LDA. L'analyse discriminante linéaire de Fisher (LDA) est présentée comme une méthode permettant de regrouper et de séparer efficacement les classes. La séance de cours se termine par une comparaison entre PCA et LDA, présentant leurs approches distinctes de la réduction de la dimensionnalité.