Redução de dimensionalidade não linear
ebook ∣ Técnicas avançadas para melhorar a representação de dados em sistemas robóticos · Ciência Da Robótica [Portuguese]
By Fouad Sabry
Sign up to save your library
With an OverDrive account, you can save your favorite libraries for at-a-glance information about availability. Find out more about OverDrive accounts.
Find this title in Libby, the library reading app by OverDrive.

Search for a digital library with this title
Title found at these libraries:
Library Name | Distance |
---|---|
Loading... |
1: Redução de dimensionalidade não linear: Explore conceitos fundamentais e a importância de reduzir dados de alta dimensionalidade para facilitar a análise.
2: Mapa linear: Introduz os fundamentos do mapeamento linear e seu papel na redução da dimensionalidade de dados no aprendizado de máquina.
3: Máquina de vetor de suporte: Aprenda como as máquinas de vetor de suporte aplicam a redução de dimensionalidade em tarefas de classificação e reconhecimento de padrões.
4: Análise de componentes principais: Mergulhe na técnica da PCA para transformar dados em um conjunto de variáveis linearmente não correlacionadas.
5: Isometria: Examine como as técnicas isométricas preservam distâncias entre pontos enquanto reduzem as dimensões dos dados.
6: Redução de dimensionalidade: Entenda o escopo mais amplo da redução de dimensionalidade e suas aplicações em vários campos.
7: Incorporação semidefinida: Estude a programação semidefinida e sua conexão com métodos de redução de dimensionalidade.
8: Método kernel: Descubra o poder dos métodos kernel no tratamento de relacionamentos não lineares na redução de dados.
9: Análise de componentes principais do kernel: Explore a capacidade do KPCA de realizar redução de dimensionalidade em um espaço de recursos de alta dimensão.
10: Continuação numérica: Aprenda como as técnicas de continuação numérica auxiliam na compreensão de sistemas de alta dimensão.
11: Agrupamento espectral: Entenda como o agrupamento espectral alavanca a redução de dimensionalidade para agrupar pontos de dados semelhantes.
12: Isomap: Uma olhada no Isomap, uma técnica que combina escala multidimensional com distâncias geodésicas para redução de dimensionalidade.
13: Lema de Johnson–Lindenstrauss: Mergulhe na matemática do lema de Johnson-Lindenstrauss, que garante que a redução de dimensionalidade mantenha as propriedades geométricas.
14: Modelo de cascata de Poisson linear não linear: Estude como este modelo integra métodos lineares e não lineares na redução de dimensionalidade.
15: Alinhamento de coletores: Aprenda sobre o alinhamento de coletores e sua importância no alinhamento de dados de diferentes domínios na redução de dimensionalidade.
16: Mapa de difusão: Entenda como os mapas de difusão usam o processo de difusão para redução de dimensionalidade em conjuntos de dados complexos.
17: Incorporação de vizinhos estocásticos distribuídos: Explore a capacidade do tSNE de reduzir dimensionalidade enquanto preserva estruturas locais em dados.
18: Incorporação de kernel de distribuições: Estude como a incorporação de kernel permite a redução de dimensionalidade em distribuições, não apenas em conjuntos de dados.
19: Projeção aleatória: Uma abordagem prática para redução de dimensionalidade que depende de projeções aleatórias para computação rápida.
20: Regularização de coletores: Aprenda sobre técnicas de regularização de coletores e seu impacto no aprendizado de dados de alta dimensão.
21: Modelagem dinâmica empírica: Descubra como a modelagem dinâmica empírica auxilia na redução de dimensionalidade por meio da análise de dados de séries temporais.