Réduction de dimensionnalité: PCA & Codeurs automatiques

Cette séance de cours couvre les concepts d'analyse des composants principaux (APC) et d'auto-encodeurs pour la réduction de dimensionnalité. En commençant par les bases de PCA, il explique comment trouver le signal le plus important tout en éliminant le bruit. Il se retrouve ensuite dans Kernel PCA pour des données non linéaires. La discussion s'étend aux autoencodeurs, en mettant l'accent sur leurs mappages et applications non linéaires dans la dénigrement et la sparsité. La séance de cours explore également les autoencodeurs convolutionnels et leur rôle dans la production de nouveaux échantillons. Enfin, il met en évidence l'utilisation pratique d'Autoencoders pour la récupération d'images et la production de données.