Analyse des composantes principales : matrice de covariance et valeurs propres

À propos
Confidentialité
Mentions légales

Graph Chatbot

Séances de cours associées (31)

Page 3 sur 4

Génération gaussienne conditionnelle

Explore la génération de distributions gaussiennes multivariées et les défis de la factorisation des matrices de covariance.

Analyse des composantes principales : Introduction

Introduit l'analyse des composantes principales, en mettant l'accent sur la maximisation de la variance dans les combinaisons linéaires pour résumer efficacement les données.

Modèles de valeur extrême: Dérivation technique

Explore la dérivation technique et les propriétés des modèles Multivariate Extreme Value.

Analyse des composantes principales : théorie et applications

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.

Raccordement des données avec une fonction Gauss

Explique les fonctions gaussiennes, les données de modélisation, la fonction de vraisemblance et l'optimisation du maximum de vraisemblance.

Distribution conjointe des vecteurs aléatoires gaussiens

Explore les critères pour que les vecteurs aléatoires gaussiens aient un PDF commun.

Méthodes multivariées I

Explore des méthodes multivariées telles que PCA, SVD, PLS et ICA pour la réduction de la dimensionnalité dans l'imagerie cérébrale fonctionnelle.

Modèles de mélange gaussien : matrice de probabilité et de covariance

Explore l'indépendance statistique, les modèles de mélange gaussien et l'adaptation des données aux fonctions gaussiennes.

Statistiques à variables multiples : distribution normale

Introduit des statistiques multivariées, couvrant les propriétés de distribution normales et les fonctions caractéristiques.

Distribution normale multivariée

Couvre la distribution normale multivariée, la fonction génératrice de moments et les combinatoires.