سبد خرید

الگوریتم ICA و ISOMAP برای کاهش ابعاد

جلسه بعد
جلسه قبل

سرفصل مباحث تکمیلی و پیشرفته طبقه‌بندی

برای مشاهده این دوره می بایست وارد شوید و در صورتی که عضو نیستید ثبت نام کنید.
کاهش ابعاد - قسمت اول (کاهش ابعاد به وسیله‌ی اطلاعات آماری) 36:30
کاهش ابعاد - قسمت دوم (کاهش ابعاد به وسیله‌ی اطلاعات آماری) 24:23
الگوریتم PCA و KernelPCA در کاهش ابعاد (قسمت اول) 32:13
الگوریتم PCA و KernelPCA در کاهش ابعاد (قسمت دوم) 31:17
الگوریتم Factor Analysis در کاهش ابعاد 15:55
الگوریتم ICA و ISOMAP برای کاهش ابعاد 21:42
الگوریتم TSNE و UMAP برای کاهش ابعاد 19:49
ترکیب الگوریتم‌های کاهش ابعاد برای حل مسائل طبقه بندی 40:26
کار کردن با داده‌های غیر متوازن (Imbalance) - قسمت اول 27:50
کار کردن با داده‌های غیر متوازن (Imbalance) - قسمت دوم 33:54
کار کردن با داده‌های غیر متوازن (Imbalance) - قسمت سوم 18:42
طبقه بندی تصاویر رنگی با استفاده از تکنیک‌های پردازش تصویر - قسمت اول 37:41
طبقه بندی تصاویر رنگی با استفاده از تکنیک‌های پردازش تصویر - قسمت دوم 28:45
طبقه بندی تصاویر رنگی با استفاده از تکنیک‌های پردازش تصویر - قسمت سوم 23:43
طبقه بندی تصاویر رنگی با استفاده از تکنیک‌های پردازش تصویر - قسمت چهارم 29:36
تحلیل و پیش‌بینی سری زمانی با استفاده از SARIMAX - قسمت اول 50:28
تحلیل و پیش‌بینی سری زمانی با استفاده از SARIMAX - قسمت دوم 30:46
معرفی کتابخانه‌ی Prophet برای پیش‌بینی سری‌های زمانی 21:24
جمع بندی فصل + مباحث تکمیلی ارائه شده در آینده 09:43

در این جلسه به معرفی دو الگوریتم ISOMAP (نگاشت ایزومتریک) و ICA (تحلیل مولفه مستقل) در کاهش ابعاد می‌پردازیم و کیفیت آن‌ها را با مدل‌های قبلی مقایسه می‌کنیم

مدرس : مسعود کاویانی
در مورد این جلسه سوالی دارید؟
1