【電子書籍なら、スマホ・パソコンの無料アプリで今すぐ読める!】
1: Redu??o de dimensionalidade n?o linear: Explore conceitos fundamentais e a import?ncia de reduzir dados de alta dimensionalidade para facilitar a an?lise. 2: Mapa linear: Introduz os fundamentos do mapeamento linear e seu papel na redu??o da dimensionalidade de dados no aprendizado de m?quina. 3: M?quina de vetor de suporte: Aprenda como as m?quinas de vetor de suporte aplicam a redu??o de dimensionalidade em tarefas de classifica??o e reconhecimento de padr?es. 4: An?lise de componentes principais: Mergulhe na t?cnica da PCA para transformar dados em um conjunto de vari?veis linearmente n?o correlacionadas. 5: Isometria: Examine como as t?cnicas isom?tricas preservam dist?ncias entre pontos enquanto reduzem as dimens?es dos dados. 6: Redu??o de dimensionalidade: Entenda o escopo mais amplo da redu??o de dimensionalidade e suas aplica??es em v?rios campos. 7: Incorpora??o semidefinida: Estude a programa??o semidefinida e sua conex?o com m?todos de redu??o de dimensionalidade. 8: M?todo kernel: Descubra o poder dos m?todos kernel no tratamento de relacionamentos n?o lineares na redu??o de dados. 9: An?lise de componentes principais do kernel: Explore a capacidade do KPCA de realizar redu??o de dimensionalidade em um espa?o de recursos de alta dimens?o. 10: Continua??o num?rica: Aprenda como as t?cnicas de continua??o num?rica auxiliam na compreens?o de sistemas de alta dimens?o. 11: Agrupamento espectral: Entenda como o agrupamento espectral alavanca a redu??o de dimensionalidade para agrupar pontos de dados semelhantes. 12: Isomap: Uma olhada no Isomap, uma t?cnica que combina escala multidimensional com dist?ncias geod?sicas para redu??o de dimensionalidade. 13: Lema de Johnson?Lindenstrauss: Mergulhe na matem?tica do lema de Johnson-Lindenstrauss, que garante que a redu??o de dimensionalidade mantenha as propriedades geom?tricas. 14: Modelo de cascata de Poisson linear n?o linear: Estude como este modelo integra m?todos lineares e n?o lineares na redu??o de dimensionalidade. 15: Alinhamento de coletores: Aprenda sobre o alinhamento de coletores e sua import?ncia no alinhamento de dados de diferentes dom?nios na redu??o de dimensionalidade. 16: Mapa de difus?o: Entenda como os mapas de difus?o usam o processo de difus?o para redu??o de dimensionalidade em conjuntos de dados complexos. 17: Incorpora??o de vizinhos estoc?sticos distribu?dos: Explore a capacidade do tSNE de reduzir dimensionalidade enquanto preserva estruturas locais em dados. 18: Incorpora??o de kernel de distribui??es: Estude como a incorpora??o de kernel permite a redu??o de dimensionalidade em distribui??es, n?o apenas em conjuntos de dados. 19: Proje??o aleat?ria: Uma abordagem pr?tica para redu??o de dimensionalidade que depende de proje??es aleat?rias para computa??o r?pida. 20: Regulariza??o de coletores: Aprenda sobre t?cnicas de regulariza??o de coletores e seu impacto no aprendizado de dados de alta dimens?o. 21: Modelagem din?mica emp?rica: Descubra como a modelagem din?mica emp?rica auxilia na redu??o de dimensionalidade por meio da an?lise de dados de s?ries temporais.画面が切り替わりますので、しばらくお待ち下さい。
※ご購入は、楽天kobo商品ページからお願いします。
※切り替わらない場合は、こちら をクリックして下さい。
※このページからは注文できません。