Méthodes t-SNE et UMAP pour visualisation et réduction de dimension | Cycle avancé IA #7

Video Description

L’analyse classique en composantes principales (ACP), présentée dans le cours précédent, peut ne pas être adaptée aux données dont la nature est fortement non-linéaire. Dans ce cas, on peut utiliser des méthodes alternatives, non-linaires, comme les méthodes t-SNE et UMAP. t-SNE = t-Distributed Stochastic Neighbor Embedding UMAP = Uniform Manifold Approximation and Projection Ce cours présente les méthodes t-SNE et UMAP ainsi que leurs différences par rapport à l’ACP, en utilisant des exemples de données non-linéaires de référence. Intervenant : Ekaterina Flin, ingénieur en informatique, groupe EpiMed, Institut pour l’Avancée des Biosciences (IAB), Université Grenoble Alpes (UGA) #machine_learning #tsne # umap Table des matières 00:00 Introduction 00:17 Limites de l’ACP 01:04 Exemple d’un dataset non-linéaire S-curve 01:46 Projection par l’ACP et ses problèmes 03:02 Méthode t-SNE 04:16 Méthode UMAP 04:42 Comparaison ACP, t-SNE et UMAP avec les données Swiss Roll 05:32 Annonce du cours suivant Liens : * Cours précédent "ACP - Analyse en composantes principales" : https://youtu.be/y5hzRYZxd4Y * Article t-SNE. Laurens van der Maaten and Geoffrey Hinton, 2008. Visualizing Data using t-SNE. Journal of Machine Learning Research 9 (2008) 2579-2605. https://bit.ly/3trNqx0 * Article UMAP. Leland McInnes, John Healy and James Melville, 2018. UMAP: Uniform Manifold Approximation and Projection for Dimension Reduction. https://arxiv.org/abs/1802.03426