Séance de cours
Analyse des composantes principales : matrice de covariance et valeurs propres
Séances de cours associées (32)
Analyse des composantes principales : propriétés et applications
Explorer la théorie principale de l'analyse des composants, les propriétés, les applications et les tests d'hypothèse dans les statistiques multivariées.
Composantes principales : Propriétés et applications
Explore les principales composantes, la covariance, la corrélation, le choix et les applications dans l'analyse des données.
Analyse des composantes principales : compréhension de la structure des données
Explore l'analyse des composantes principales, la réduction de la dimensionnalité, l'évaluation de la qualité des données et le contrôle du taux d'erreur.
Analyse des composantes principales : Médailles olympiques et compression d'image
Explore l'APC pour prédire la distribution des médailles et compresser les images du visage.
Règle d'OjaMOOC: Neuro Robotics
Couvre la règle d'Oja dans les neurorobotiques, se concentrant sur l'apprentissage des eigenvectors et des valeurs propres pour capturer la variance maximale.
Génération gaussienne conditionnelle
Explore la génération de distributions gaussiennes multivariées et les défis de la factorisation des matrices de covariance.
Réduction des dimensions linéaires
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.
Analyse des composantes principales : réduction des dimensions
Couvre l'analyse en composantes principales pour la réduction dimensionnelle des données biologiques, en se concentrant sur la visualisation et l'identification des modèles.
Apprentissage sans supervision: PCA & K-means
Couvre l'apprentissage non supervisé avec l'APC et les moyennes K pour la réduction de dimensionnalité et le regroupement des données.
Décomposition de la valeur singulaire
Explore la Décomposition de la Valeur Singulière et son rôle dans l'apprentissage non supervisé et la réduction de dimensionnalité, en mettant l'accent sur ses propriétés et applications.