Couvre PCA et LDA pour la réduction de dimensionnalité, expliquant la maximisation de la variance, les problèmes de vecteurs propres et les avantages de Kernel PCA pour les données non linéaires.
Explore PCA et LDA pour la réduction de dimensionnalité linéaire dans les données, en mettant l'accent sur les techniques de clustering et de séparation de classe.
Explore la réduction des dimensions linéaires grâce à la PCA, à la maximisation de la variance et à des applications réelles telles que l'analyse des données médicales.
Couvre l'apprentissage non supervisé, en mettant l'accent sur la réduction de la dimensionnalité et le regroupement, en expliquant comment il aide à trouver des modèles dans les données sans étiquettes.
Couvre la théorie et les applications de l'analyse des composantes principales, en mettant l'accent sur la réduction des dimensions et les vecteurs propres.
Couvre l'analyse des composantes principales pour l'estimation de la forme de la courbe de rendement et la réduction des dimensions dans les modèles de taux d'intérêt.
Explore la décomposition de la valeur singulière et l'analyse des composantes principales pour la réduction de la dimensionnalité, avec des applications de visualisation et d'efficacité.
Explore la classification des données textuelles, en se concentrant sur des méthodes telles que les bayes naïques et les techniques de réduction de la dimensionnalité telles que l'analyse des composantes principales.
