Glossaire IA
Le dictionnaire complet de l'Intelligence Artificielle
Analyse en Composantes Principales (ACP/PCA)
Technique linéaire de réduction dimensionnelle qui transforme les variables corrélées en composantes non corrélées en maximisant la variance expliquée selon des axes orthogonaux.
t-SNE (t-Distributed Stochastic Neighbor Embedding)
Algorithme non-linéaire de réduction dimensionnelle préservant les structures locales en minimisant la divergence Kullback-Leibler entre distributions de probabilité dans l'espace original et réduit.
Isomap
Algorithme de réduction dimensionnelle préservant les distances géodésiques en construisant un graphe de voisinage et utilisant l'analyse en composantes principales multidimensionnelles.
MDS (Multidimensional Scaling)
Technique de visualisation préservant les distances entre paires de points en trouvant une configuration de faible dimension qui minimise le stress de préservation des distances.
Variance Expliquée
Proportion de la variance totale des données capturée par chaque composante principale, servant de critère pour sélectionner le nombre optimal de dimensions.
Autoencodeurs
Réseaux de neurones non supervisés apprenant des représentations compressées en forçant la sortie à reconstruire l'entrée à travers un espace latent de dimension réduite.
Factor Analysis
Méthode statistique modélisant les variables observées comme combinaisons linéaires de facteurs latents non observés, séparant variance commune et variance unique.
t-SNE perplexité
Paramètre hypercontrôlant le nombre effectif de voisins considérés dans l'algorithme t-SNE, influençant l'équilibre entre préservation des structures locales et globales.
ICA (Independent Component Analysis)
Technique de séparation aveugle de sources cherchant à décomposer les signaux multivariés en composantes statistiquement indépendantes maximisant la non-gaussianité.
Autoencoders variationnels
Extension probabiliste des autoencodeurs apprenant une distribution dans l'espace latent, permettant la génération de nouvelles données et une meilleure régularisation.
PHATE (Potential of Heat-diffusion for Affinity-based Trajectory Embedding)
Algorithme préservant les trajectoires et branches dans les données en combinant diffusion thermique et réduction dimensionnelle pour visualiser les processus continus.
NMF (Non-negative Matrix Factorization)
Décomposition matricielle contrainte à des valeurs non-négatives, produisant des bases interprétables et des représentations additives des données.