Réduction de la dimensionnalité : PCA et Kernel PCA

Cette séance de cours couvre les concepts de l'analyse en composantes principales (ACP) et de l'ACP du noyau pour la réduction de la dimensionnalité, à l'aide d'exemples tirés de l'ensemble de données RNA-Seq sur le cancer du sein de l'Atlas du génome du cancer. Il explique comment l'APC réduit la dimensionnalité des données et donne un aperçu de l'influence des attributs sur les composants. En outre, il présente Kernel PCA comme une méthode pour gérer les données non linéaires et discute de son application dans l'espace des fonctionnalités. La séance de cours explore également les auto-encodeurs comme une alternative non linéaire à PCA, y compris les auto-encodeurs profonds, les auto-encodeurs débruitants et les auto-encodeurs clairsemés. Il se termine par une démonstration d'applications d'autoencodeur pour la récupération d'images et la génération de données.