AI 용어집
인공지능 완전 사전
Analyse en Composantes Principales
Technique linéaire qui transforme les données en un nouvel espace orthogonal en maximisant la variance.
t-SNE
Algorithme non-linéaire préservant les structures locales pour visualiser des données haute dimension.
UMAP
Méthode non-linéaire préservant à la fois structure locale et globale des données.
Analyse Factorielle
Technique statistique modélisant les covariances observées entre variables via des facteurs latents.
Autoencodeurs
Réseaux de neurones non supervisés apprennant des représentations compressées des données.
LDA
Méthode supervisée maximisant la séparabilité entre classes connues a priori.
ISOMAP
Algorithme préservant les distances géodésiques sur la variété des données.
LLE
Technique préservant les relations linéaires locales entre points de données voisins.
Sélection de Variables
Processus de sélection du sous-ensemble optimal de variables prédictives pertinentes.
Projection Aléatoire
Méthode rapide projetant les données dans un espace inférieur tout préservant approximativement les distances.
NMF
Factorisation matricielle avec contraintes de non-négativité pour des représentations additives.
MDS
Technique préservant les distances par paires entre points dans un espace de dimension réduite.
Diffusion Maps
Méthode basée sur les marches aléatoires capturant la géométrie intrinsèque des données.
ICA
Technique séparant un signal multivarié en composantes statistiquement indépendantes.
PHATE
Méthode préservant les trajectoires et branches continues dans les données biologiques.
PCA Kernelisée
Extension de l'ACP utilisant des fonctions noyau pour capturer des relations non-linéaires.
SVD Tronquée
Décomposition en valeurs singulières partielle pour compression efficace de matrices creuses.