Dimensionsreduzierung - Fortschritte in der Datenverarbeitung für intelligente Systeme
Fouad Sabry
Traductor Daniel Hueber
Editorial: Eine Milliarde Sachkundig [German]
Sinopsis
1: Dimensionsreduktion: Stellt das Konzept und die Notwendigkeit der Reduzierung der Komplexität hochdimensionaler Daten in der Robotik vor. 2: Hauptkomponentenanalyse: Erläutert PCA als wichtige lineare Technik zur Merkmalsextraktion und Datenkomprimierung. 3: Nichtlineare Dimensionsreduktion: Erforscht nichtlineare Techniken zur Erfassung komplexer Datenstrukturen in der Robotik. 4: Eigenface: Behandelt die Verwendung von Eigenfaces zur Gesichtserkennung in der Robotik und demonstriert eine reale Anwendung der Dimensionsreduktion. 5: Empirische orthogonale Funktionen: Beschreibt eine Methode zur Darstellung von Daten auf eine Weise, die wichtige Merkmale für Robotersysteme erfasst. 6: Semidefinite Einbettung: Stellt diese Technik zur Erhaltung von Datenbeziehungen bei gleichzeitiger Reduzierung der Dimensionalität vor, wodurch die Verarbeitung von Roboterdaten verbessert wird. 7: Lineare Diskriminanzanalyse: Erklärt, wie LDA bei Klassifizierungsaufgaben hilft, indem es sich auf die Klassentrennbarkeit in reduzierten Daten konzentriert. 8: Nichtnegative Matrixfaktorisierung: Beschreibt, wie NMF dabei hilft, teilebasierte Darstellungen aus Daten zu extrahieren, insbesondere für die Robotik. 9: Kernel-Hauptkomponentenanalyse: Erweitert PCA mit Kernelmethoden zur Verarbeitung nichtlinearer Daten, die für Robotiksysteme mit komplexen Eingaben von entscheidender Bedeutung sind. 10: Shogun (Toolbox): Hebt die Shogun-Toolbox für maschinelles Lernen hervor, die Methoden zur Dimensionsreduzierung für Robotikanwendungen enthält. 11: Spektrales Clustering: Behandelt diese Technik zum Clustering hochdimensionaler Daten, eine wesentliche Aufgabe bei der Wahrnehmung und dem Verständnis von Robotik. 12: Isomap: Bespricht Isomap, eine Methode zur nichtlinearen Dimensionsreduzierung, und ihre Auswirkungen auf die Verbesserung von Robotikmodellen. 13: Hauptkomponentenregression: Verbindet PCA mit Regression, um die Datendimensionalität zu reduzieren und prädiktive Modelle in der Robotik zu verbessern. 14: Multilineares Subspace-Lernen: Stellt diese fortschrittliche Methode zur Verarbeitung multidimensionaler Daten vor, die die Roboterleistung steigert. 15: Mlpy: Detaillierte Beschreibung der Mlpy-Bibliothek für maschinelles Lernen, die Tools zur Dimensionsreduzierung in Robotersystemen zeigt. 16: Diffusionskarte: Konzentriert sich auf die Diffusionskartentechnik zur Dimensionsreduzierung und ihre Anwendung in der Robotik. 17: Feature-Learning: Erforscht das Konzept des Feature-Learnings und seine Bedeutung für die Verbesserung der Dateninterpretation von Robotersystemen. 18: Kernel-Adaptivfilter: Erläutert diese Filtertechnik zur Anpassung von Modellen an dynamische Daten, wodurch die Entscheidungsfindung von Robotern in Echtzeit verbessert wird. 19: Zufallsprojektion: Bietet Einblicke, wie Zufallsprojektionstechniken die Dimensionsreduzierung für große Datensätze in der Robotik beschleunigen können. 20: Feature-Engineering: Stellt den Prozess des Entwerfens von Features vor, die Robotern helfen, ihre Umgebung besser zu verstehen und mit ihr zu interagieren. 21: Multivariate Normalverteilung: Schließt mit einer Erkundung dieses statistischen Tools ab, das in der Robotik zum Umgang mit Unsicherheit und zur Datenmodellierung verwendet wird.
Disponible desde: 18/12/2024.
Longitud de impresión: 354 páginas.
