Redução de dimensionalidade não linear - Técnicas avançadas para melhorar a representação de dados em sistemas robóticos
Fouad Sabry
Tradutor Felipe Azevedo
Editora: Um Bilhão Bem Informado [Portuguese]
Sinopse
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.
Disponível desde: 18/12/2024.
Comprimento de impressão: 320 páginas.
