Nichtlineare Dimensionsreduzierung Fortgeschrittene Techniken zur Verbesserung der Datendarstellung in Robotersystemen

【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: Nichtlineare Dimensionsreduktion: Erkunden Sie grundlegende Konzepte und die Bedeutung der Reduzierung hochdimensionaler Daten f?r eine einfachere Analyse. 2: Lineare Abbildung: Einf?hrung in die Grundlagen der linearen Abbildung und ihre Rolle bei der Reduzierung der Datendimensionalit?t 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 Abst?nde 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 Leistungsf?higkeit von Kernelmethoden beim Umgang mit nichtlinearen Beziehungen bei der Datenreduktion. 9: Kernel-Hauptkomponentenanalyse: Erkunden Sie die F?higkeit von KPCA, eine Dimensionsreduktion in einem hochdimensionalen Merkmalsraum durchzuf?hren. 10: Numerische Fortsetzung: Erfahren Sie, wie numerische Fortsetzungstechniken beim Verst?ndnis hochdimensionaler Systeme helfen. 11: Spektrales Clustering: Verstehen Sie, wie spektrales Clustering Dimensionsreduktion nutzt, um ?hnliche Datenpunkte zu gruppieren. 12: Isomap: Ein Blick auf Isomap, eine Technik, die mehrdimensionale Skalierung mit geod?tischen 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 beibeh?lt. 14: Lineares nichtlineares Poisson-Kaskadenmodell: Untersuchen Sie, wie dieses Modell lineare und nichtlineare Methoden in die Dimensionsreduktion integriert. 15: Mannigfaltigkeitsausrichtung: Erfahren Sie mehr ?ber 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 Datens?tzen verwenden. 17: Tdistributed Stochastic Neighbor Embedding: Erkunden Sie die F?higkeit von tSNE, die Dimensionalit?t 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 Datens?tzen erm?glicht. 19: Zufallsprojektion: Ein praktischer Ansatz zur Dimensionsreduzierung, der auf Zufallsprojektionen f?r schnelle Berechnungen basiert. 20: Mannigfaltigkeitsregularisierung: Erfahren Sie mehr ?ber Mannigfaltigkeitsregularisierungstechniken und ihre Auswirkungen auf das Lernen aus hochdimensionalen Daten. 21: Empirische dynamische Modellierung: Entdecken Sie, wie empirische dynamische Modellierung die Dimensionsreduzierung durch Zeitreihendatenanalyse unterst?tzt.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。

この商品の詳細を調べる

: 本・雑誌・コミック » 洋書 » COMPUTERS ＆ SCIENCE