Analyse des composantes principales : réduction de la dimensionnalité

Cette séance de cours présente l'analyse des composantes principales (APC) comme méthode de réduction de dimensionnalité. Il couvre les concepts de projection de données à haute dimension sur des sous-espaces à basse dimension pour trouver des modèles et des clusters. Les limites de l'APC, les applications dans la compression des données, la dénigrement et la régression sont discutées. La séance de cours explore également le Wine Dataset et montre comment PCA peut être utilisé pour la visualisation et les sous-espaces linéaires. L'importance de choisir le bon nombre de composantes principales de l'APC et de la régression des composantes principales est soulignée.