Thuật ngữ AI
Từ điển đầy đủ về Trí tuệ nhân tạo
Variété de données
Espace géométrique de basse dimension dans lequel les données de haute dimension sont supposées résider, permettant de capturer la structure intrinsèque des observations.
Algorithme MDS
Technique d'analyse multidimensionnelle qui positionne les objets dans un espace de dimension réduite en préservant au mieux les distances entre paires d'objets de l'espace original.
Matrice des plus courts chemins
Matrice contenant les distances géodésiques approximées entre toutes les paires de points, calculées en appliquant l'algorithme de Floyd-Warshall ou Dijkstra sur le graphe de voisinage.
Embedding isométrique
Représentation des données dans un espace de dimension réduite qui préserve les distances géodésiques, assurant que les relations métriques originales sont maintenues dans l'espace projeté.
Paramètre k
Nombre de plus proches voisins utilisés pour construire le graphe de voisinage dans ISOMAP, contrôlant l'équilibre entre capture de structure locale et globale des données.
Analyse en composantes curvilignes
Alternative non-linéaire à l'ACP qui découvre des composantes suivant la courbure de la variété plutôt que des directions linéaires, concept similaire à ISOMAP.
Densité de sampling
Distribution des points sur la variété qui affecte la qualité de l'approximation des distances géodésiques et donc la performance globale de l'algorithme ISOMAP.
Carte de Kohonen
Réseau de neurones artificiels compétitif qui projette des données de haute dimension sur une grille bidimensionnelle tout en préservant certaines relations topologiques.
Distorsion métrique
Mesure d'écart entre les distances originales dans l'espace de haute dimension et les distances après projection, évaluant la qualité de la préservation géométrique par ISOMAP.
Isométrie locale
Principe selon lequel les distances dans de petits voisinages doivent être parfaitement préservées, servant de base à l'approximation des distances géodésiques globales.
Fléau de la dimensionnalité
Phénomène où le volume de l'espace augmente exponentiellement avec le nombre de dimensions, rendant les données de plus en plus éparses et justifiant l'utilisation d'algorithmes comme ISOMAP.