ACP - Analyse en composantes principales | Cycle avancé IA #6 скачать в хорошем качестве

ACP - Analyse en composantes principales | Cycle avancé IA #6

Dans cette vidéo nous allons découvrir l’analyse en composantes principales (ACP). L’ACP est une méthode non supervisée du machine learning. Elle permet une réduction de dimension des données multidimensionnelles et une visualisation. Dans le cas des variables corrélées, l’ACP permet de supprimer la corrélation, en générant de nouvelles variables non-corrélées. Grâce à l’ACP, on peut également supprimer ou réduire le bruit dans les données. Intervenant : Ekaterina Flin, ingénieur en informatique, groupe EpiMed, Institut pour l’Avancée des Biosciences (IAB), Université Grenoble Alpes (UGA) #intelligence_artificielle #machine_learning #acp Table des matières 00:00 Introduction 00:35 Méthodes non supervisées de visualisation 01:03 Analyse en composantes principales ACP 02:01 Exemple de données d’expression de gènes 02:16 Normalisation centrée-réduite 02:47 Affichage des données en 3D 03:25 Choix de projection 03:58 Principe de l’ACP 04:49 Variance expliquée 05:14 Projection en 2D 06:31 Cercle de corrélation 07:49 Avantages et limites de l’ACP Liens Démo d'une ACP avec Python :    • Démo - ACP, t-SNE et UMAP avec Python et s...   Cours sur les méthodes alternatives à l'ACP "Méthodes t-SNE et UMAP pour visualisation et réduction de dimension" :    • Méthodes t-SNE et UMAP pour visualisation ...   Cours sur le clustering hiérarchique :    • Clustering hiérarchique, méthode non super...   Cours "Formalisme du machine learning, fonction de perte, optimisation" :    • Formalisme du machine learning, fonction d...