تحليل المكونات الرئيسية
PCA
خوارزمية إسقاط خطي تختزل أبعاد المصفوفات عبر تحويل البيانات نحو محاور جديدة تعظم التباين الإحصائي المتاح.
PCA
تُرجم أيضاًخوارزمية الإسقاط الهندسي لتعظيم التباين، تقليص الأبعاد خطياً بالمحاور الأساسية
أول ظهور في هذه المجموعة: عن الخطوط والمستويات الأقرب ملاءمةً لمنظومات النقاط في الفضاء (1901)
يظهر في هذه الأوراق
- تصنيف صور ImageNet بالشبكات العصبية الالتفافية العميقة2012في السماء ✦
- اختزال أبعاد البيانات بالشبكات العصبية2006في السماء ✦
- DINOv2: تعلُّم سمات بصرية متينة بدون إشراف2023في السماء ✦
- التعرُّف على الوجوه باستخدام الوجوه الذاتية1991في السماء ✦
- تصوير سطح الخسارة في الشبكات العصبية2018في السماء ✦
- عن الخطوط والمستويات الأقرب ملاءمةً لمنظومات النقاط في الفضاء1901في السماء ✦
- التعلُّم من تسلسل إلى تسلسل باستخدام الشبكات العصبية2014في السماء ✦
- ظهور خصائص الحقول الاستقبالية للخلايا البسيطة عبر تعلّم ترميز مُتناثر للصور الطبيعية1996في السماء ✦
- تصوير البيانات باستخدام t-SNE2008في السماء ✦