Riduzione della dimensionalità non lineare - Tecniche avanzate per migliorare la rappresentazione dei dati nei sistemi robotici
Fouad Sabry
Traductor Cosimo Pinto
Editorial: Un Miliardo Di Ben Informato [Italian]
Sinopsis
1: Riduzione della dimensionalità non lineare: esplora i concetti fondamentali e l'importanza di ridurre i dati ad alta dimensionalità per un'analisi più semplice. 2: Mappa lineare: introduce le basi della mappatura lineare e il suo ruolo nella riduzione della dimensionalità dei dati nell'apprendimento automatico. 3: Macchina a vettori di supporto: scopri come le macchine a vettori di supporto applicano la riduzione della dimensionalità nelle attività di classificazione e nel riconoscimento di pattern. 4: Analisi delle componenti principali: approfondisci la tecnica PCA per trasformare i dati in un set di variabili linearmente non correlate. 5: Isometria: esamina come le tecniche isometriche preservano le distanze tra i punti riducendo al contempo le dimensioni dei dati. 6: Riduzione della dimensionalità: comprendi l'ambito più ampio della riduzione della dimensionalità e le sue applicazioni in vari campi. 7: Incorporamento semidefinito: studia la programmazione semidefinita e la sua connessione ai metodi di riduzione della dimensionalità. 8: Metodo kernel: scopri la potenza dei metodi kernel nella gestione delle relazioni non lineari nella riduzione dei dati. 9: Analisi delle componenti principali del kernel: esplora la capacità di KPCA di eseguire la riduzione della dimensionalità in uno spazio di feature ad alta dimensionalità. 10: Continuazione numerica: scopri come le tecniche di continuazione numerica aiutano a comprendere i sistemi ad alta dimensionalità. 11: Clustering spettrale: scopri come il clustering spettrale sfrutta la riduzione della dimensionalità per raggruppare punti dati simili. 12: Isomap: uno sguardo a Isomap, una tecnica che combina il ridimensionamento multidimensionale con distanze geodetiche per la riduzione della dimensionalità. 13: Lemma di Johnson-Lindenstrauss: approfondisci la matematica del lemma di Johnson-Lindenstrauss, che assicura che la riduzione della dimensionalità mantenga le proprietà geometriche. 14: Modello a cascata lineare-non lineare di Poisson: studia come questo modello integra metodi lineari e non lineari nella riduzione della dimensionalità. 15: Allineamento di collettori: scopri l'allineamento di collettori e la sua importanza nell'allineamento dei dati da diversi domini nella riduzione della dimensionalità. 16: Mappa di diffusione: comprendere come le mappe di diffusione utilizzano il processo di diffusione per la riduzione della dimensionalità in set di dati complessi. 17: Incorporamento stocastico di vicini Tdistributed: esplorare la capacità di tSNE di ridurre la dimensionalità preservando le strutture locali nei dati. 18: Incorporamento kernel delle distribuzioni: studiare come l'incorporamento kernel consente la riduzione della dimensionalità sulle distribuzioni, non solo sui set di dati. 19: Proiezione casuale: un approccio pratico alla riduzione della dimensionalità che si basa su proiezioni casuali per un calcolo rapido. 20: Regolarizzazione manifold: apprendere le tecniche di regolarizzazione manifold e il loro impatto sull'apprendimento da dati ad alta dimensionalità. 21: Modellazione dinamica empirica: scoprire come la modellazione dinamica empirica aiuta nella riduzione della dimensionalità tramite l'analisi dei dati delle serie temporali.
Disponible desde: 18/12/2024.
Longitud de impresión: 320 páginas.
