Apprentissage non supervisé : réduction de la dimensionnalité

Cette séance de cours couvre les concepts d'apprentissage non supervisé, en se concentrant sur les techniques de réduction de la dimensionnalité telles que l'analyse en composantes principales (PCA) et l'analyse discriminante linéaire de Fisher (LDA). Il explique comment ces méthodes visent à réduire le nombre de fonctionnalités tout en préservant les informations les plus importantes dans les données. En outre, il présente le Kernel PCA comme une approche de réduction de dimensionnalité non linéaire et discute des compromis entre les méthodes linéaires et non linéaires. La séance de cours aborde également les défis de travailler avec des données de grande dimension et la nécessité de techniques de représentation de données efficaces.