Глоссарий ИИ
Полный словарь искусственного интеллекта
Метод главных компонент
Статистический метод линейного снижения размерности, который преобразует коррелированные переменные в новые некоррелированные переменные, называемые главными компонентами, максимизируя объясненную дисперсию.
t-SNE
Алгоритм нелинейного снижения размерности, особенно эффективный для визуализации данных высокой размерности, сохраняющий локальные структуры и сходства между соседними точками.
UMAP
Техника нелинейного снижения размерности, основанная на алгебраической топологии, которая сохраняет как локальную, так и глобальную структуру данных, будучи при этом быстрее, чем t-SNE.
Метод независимых компонент
Метод слепого разделения статистических источников, который преобразует данные в статистически независимые компоненты, предполагая, что исходные сигналы не являются гауссовыми.
Неотрицательная матричная факторизация
Алгоритм снижения размерности, который разлагает неотрицательную матрицу на две матрицы меньшего ранга, также неотрицательные, облегчая интерпретируемость компонент.
Линейный дискриминантный анализ
Метод контролируемого снижения размерности, который максимизирует разделение между классами, одновременно минимизируя внутриклассовую дисперсию, используемый в основном для классификации.
Вариационные автоэнкодеры
Генеративная модель глубокого обучения, которая изучает вероятностное латентное представление данных с использованием нейронных сетей кодировщик-декодировщик с вариационной регуляризацией.
Isomap
Алгоритм нелинейного снижения размерности, который сохраняет геодезические расстояния на многообразии данных, используя кратчайшие пути в графе ближайших соседей.
Локально Линейное Вложение
Нелинейная техника, которая сохраняет локальные линейные отношения между точками, реконструируя каждую точку как линейную комбинацию её ближайших соседей в пространстве низкой размерности.
Факторный Анализ
Исследовательский статистический метод, который идентифицирует ненаблюдаемые латентные переменные (факторы), объясняющие корреляции между наблюдаемыми переменными в многомерном наборе данных.
Матрица Ковариации
Симметричная квадратная матрица, количественно определяющая ковариации между парами переменных, фундаментальная для понимания линейных отношений в данных и вычисления главных компонент.
Собственные Значения
Скаляры, связанные с собственными векторами линейного преобразования, представляющие относительную важность каждой главной компоненты в анализе главных компонент.
Собственные Векторы
Направления, в которых линейное преобразование действует простым растяжением, соответствующие главным осям максимальной вариации в исходном пространстве данных.
Матрица Грама
Симметричная положительно определенная матрица, содержащая скалярные произведения между всеми парами векторов, существенная для методов ядра и сингулярного разложения.
Ядерный Метод Главных Компонент
Нелинейное расширение АГК, которое использует ядерные функции для неявного отображения данных в пространство более высокой размерности перед применением линейного АГК.
Карты Диффузии
Метод снижения размерности, основанный на процессах диффузии, который захватывает внутреннюю геометрию данных, строя марковский граф переходов.
Усечённое SVD
Вариант сингулярного разложения, который сохраняет только k наибольших сингулярных значений и соответствующих векторов, оптимизированный для разреженных и больших матриц.
Многообразие обучения
Набор нелинейных методов, предполагающих, что многомерные данные лежат на многообразии меньшей размерности, и направленных на обнаружение этой скрытой структуры.