Reducción de dimensionalidad no lineal - Técnicas avanzadas para mejorar la representación de datos en sistemas robóticos
Fouad Sabry
Traductor Guilherme Costa
Editorial: Mil Millones De Conocimientos [Spanish]
Sinopsis
1: Reducción de dimensionalidad no lineal: explora los conceptos básicos y la importancia de reducir los datos de alta dimensión para facilitar el análisis. 2: Mapa lineal: presenta los conceptos básicos del mapeo lineal y su función en la reducción de la dimensionalidad de los datos en el aprendizaje automático. 3: Máquina de vectores de soporte: aprende cómo las máquinas de vectores de soporte aplican la reducción de dimensionalidad en tareas de clasificación y reconocimiento de patrones. 4: Análisis de componentes principales: profundiza en la técnica de PCA para transformar datos en un conjunto de variables linealmente no correlacionadas. 5: Isometría: examina cómo las técnicas isométricas preservan las distancias entre puntos mientras reducen las dimensiones de los datos. 6: Reducción de dimensionalidad: comprende el alcance más amplio de la reducción de dimensionalidad y sus aplicaciones en varios campos. 7: Incrustación semidefinida: estudia la programación semidefinida y su conexión con los métodos de reducción de dimensionalidad. 8: Método kernel: descubre el poder de los métodos kernel para manejar relaciones no lineales en la reducción de datos. 9: Análisis de componentes principales del núcleo: explore la capacidad de KPCA para realizar una reducción de dimensionalidad en un espacio de características de alta dimensión. 10: Continuación numérica: aprenda cómo las técnicas de continuación numérica ayudan a comprender los sistemas de alta dimensión. 11: Agrupamiento espectral: comprenda cómo el agrupamiento espectral aprovecha la reducción de dimensionalidad para agrupar puntos de datos similares. 12: Isomap: una mirada a Isomap, una técnica que combina el escalamiento multidimensional con distancias geodésicas para la reducción de dimensionalidad. 13: Lema de Johnson-Lindenstrauss: profundice en las matemáticas del lema de Johnson-Lindenstrauss, que garantiza que la reducción de dimensionalidad mantenga las propiedades geométricas. 14: Modelo de cascada de Poisson lineal-no lineal: estudie cómo este modelo integra métodos lineales y no lineales en la reducción de dimensionalidad. 15: Alineación de variedades: aprenda sobre la alineación de variedades y su importancia para alinear datos de diferentes dominios en la reducción de dimensionalidad. 16: Mapa de difusión: comprenda cómo los mapas de difusión utilizan el proceso de difusión para la reducción de la dimensionalidad en conjuntos de datos complejos. 17: Incrustación estocástica de vecinos distribuidos en T: explore la capacidad de tSNE para reducir la dimensionalidad mientras preserva las estructuras locales en los datos. 18: Incrustación de distribuciones en kernel: estudie cómo la incrustación en kernel permite la reducción de la dimensionalidad en distribuciones, no solo en conjuntos de datos. 19: Proyección aleatoria: un enfoque práctico para la reducción de la dimensionalidad que se basa en proyecciones aleatorias para un cálculo rápido. 20: Regularización de variedades: aprenda sobre las técnicas de regularización de variedades y su impacto en el aprendizaje a partir de datos de alta dimensión. 21: Modelado dinámico empírico: descubra cómo el modelado dinámico empírico ayuda en la reducción de la dimensionalidad a través del análisis de datos de series temporales.
Disponible desde: 17/12/2024.
Longitud de impresión: 320 páginas.
