Séance de cours
Méthodes de réduction des dimensions non linéaires
Dans cours
DEMO: commodo fugiat incididunt velit
Magna anim elit veniam occaecat est aute velit. Reprehenderit qui voluptate cupidatat culpa nisi cupidatat. Do id irure ullamco mollit cillum. Nulla anim eu est fugiat et ea enim tempor ut magna occaecat.
Description
Cette séance de cours couvre le concept de réduction de dimension au-delà de PCA, en se concentrant sur les méthodes qui visent à préserver les quartiers tout en réduisant la dimension. L'instructeur explique des techniques telles que t-SNE et UMAP, qui transforment les données en construisant des graphiques voisins et en les projetant sur des espaces de dimensions inférieures. Diverses applications de ces méthodes, y compris l'analyse de séquençage de l'ARN unicellulaire et les études du comportement animal, sont également discutées.
Enseignant
ipsum elit
Do exercitation elit eiusmod cupidatat et ex laborum. Irure reprehenderit exercitation laboris in veniam minim tempor adipisicing veniam ex. Dolor id do et tempor incididunt nostrud. Sit et eu esse tempor aliquip incididunt anim. Ipsum sit aute sint enim velit voluptate sunt nulla in ut non tempor. Sit consequat sit aliqua consequat dolor reprehenderit.
Source officielle
À propos de ce résultat
Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.
Proximité ontologique
Séances de cours associées (37)
Récapitulation des réseaux neuraux : fonctions d'activation
Couvre les bases des réseaux neuronaux, des fonctions d'activation, de la formation, du traitement d'image, des CNN, de la régularisation et des méthodes de réduction de dimensionnalité.
Analyse des composantes principales : réduction des dimensions
Couvre l'analyse en composantes principales pour la réduction dimensionnelle des données biologiques, en se concentrant sur la visualisation et l'identification des modèles.
Réduction de dimensionnalité: PCA & t-SNE
Explore PCA et t-SNE pour réduire les dimensions et visualiser efficacement les données à haute dimension.
Comprendre les auto-encodeurs
Explore les autoencodeurs, des mappages linéaires en PCA aux mappages non linéaires, aux autoencodeurs profonds et à leurs applications.
Analyse des composantes principales : réduction de la dimensionnalité
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.