Réduction dimensionnelle

Cette séance de cours couvre les concepts de Singular Value Decomposition (SVD) et Principal Component Analysis (PCA) pour la réduction de la dimensionnalité. Il explique comment trouver des représentations de basse dimension de données de haute dimension, avec des applications dans la visualisation, la réduction du bruit et l'efficacité. La séance de cours se penche également sur le théorème spectral, l'existence du SVD, l'approximation de bas rang et l'approximation du meilleur rang (r). En outre, il explore l'interprétation de SVD, matrice de covariance vs corrélation dans PCA, Multidimensional Scaling (MDS), techniques d'intégration non linéaires comme Isomap, et se termine par un résumé des leçons apprises.