Nichtlineare Dimensionsreduzierung - Fortgeschrittene Techniken zur Verbesserung der Datendarstellung in Robotersystemen
Fouad Sabry
Translator Daniel Hueber
Publisher: Eine Milliarde Sachkundig [German]
Summary
1: Nichtlineare Dimensionsreduktion: Erkunden Sie grundlegende Konzepte und die Bedeutung der Reduzierung hochdimensionaler Daten für eine einfachere Analyse. 2: Lineare Abbildung: Einführung in die Grundlagen der linearen Abbildung und ihre Rolle bei der Reduzierung der Datendimensionalität im maschinellen Lernen. 3: Support Vector Machine: Erfahren Sie, wie Support Vector Machines die Dimensionsreduktion bei Klassifizierungsaufgaben und Mustererkennung anwenden. 4: Hauptkomponentenanalyse: Tauchen Sie ein in die PCA-Technik zur Umwandlung von Daten in einen Satz linear unkorrelierter Variablen. 5: Isometrie: Untersuchen Sie, wie isometrische Techniken Abstände zwischen Punkten bewahren und gleichzeitig die Datendimensionen reduzieren. 6: Dimensionsreduktion: Verstehen Sie den breiteren Umfang der Dimensionsreduktion und ihre Anwendungen in verschiedenen Bereichen. 7: Semidefinite Einbettung: Studieren Sie semidefinite Programmierung und ihre Verbindung zu Methoden der Dimensionsreduktion. 8: Kernelmethode: Entdecken Sie die Leistungsfähigkeit von Kernelmethoden beim Umgang mit nichtlinearen Beziehungen bei der Datenreduktion. 9: Kernel-Hauptkomponentenanalyse: Erkunden Sie die Fähigkeit von KPCA, eine Dimensionsreduktion in einem hochdimensionalen Merkmalsraum durchzuführen. 10: Numerische Fortsetzung: Erfahren Sie, wie numerische Fortsetzungstechniken beim Verständnis hochdimensionaler Systeme helfen. 11: Spektrales Clustering: Verstehen Sie, wie spektrales Clustering Dimensionsreduktion nutzt, um ähnliche Datenpunkte zu gruppieren. 12: Isomap: Ein Blick auf Isomap, eine Technik, die mehrdimensionale Skalierung mit geodätischen Distanzen zur Dimensionsreduktion kombiniert. 13: Johnson-Lindenstrauss-Lemma: Tauchen Sie ein in die Mathematik des Johnson-Lindenstrauss-Lemmas, das sicherstellt, dass die Dimensionsreduktion geometrische Eigenschaften beibehält. 14: Lineares nichtlineares Poisson-Kaskadenmodell: Untersuchen Sie, wie dieses Modell lineare und nichtlineare Methoden in die Dimensionsreduktion integriert. 15: Mannigfaltigkeitsausrichtung: Erfahren Sie mehr über Mannigfaltigkeitsausrichtung und ihre Bedeutung bei der Ausrichtung von Daten aus verschiedenen Bereichen bei der Dimensionsreduktion. 16: Diffusionskarte: Verstehen Sie, wie Diffusionskarten den Diffusionsprozess zur Dimensionsreduzierung in komplexen Datensätzen verwenden. 17: Tdistributed Stochastic Neighbor Embedding: Erkunden Sie die Fähigkeit von tSNE, die Dimensionalität zu reduzieren und gleichzeitig lokale Strukturen in Daten beizubehalten. 18: Kernel-Embedding von Verteilungen: Untersuchen Sie, wie Kernel-Embedding eine Dimensionsreduzierung bei Verteilungen und nicht nur bei Datensätzen ermöglicht. 19: Zufallsprojektion: Ein praktischer Ansatz zur Dimensionsreduzierung, der auf Zufallsprojektionen für schnelle Berechnungen basiert. 20: Mannigfaltigkeitsregularisierung: Erfahren Sie mehr über Mannigfaltigkeitsregularisierungstechniken und ihre Auswirkungen auf das Lernen aus hochdimensionalen Daten. 21: Empirische dynamische Modellierung: Entdecken Sie, wie empirische dynamische Modellierung die Dimensionsreduzierung durch Zeitreihendatenanalyse unterstützt.
Available since: 12/17/2024.
Print length: 320 pages.
