Introduction
Dans ce laboratoire, nous allons comparer différents algorithmes de Manifold Learning pour effectuer une réduction de dimensionnalité non linéaire. Le but de ceci est de réduire la dimensionnalité de l'ensemble de données tout en conservant les caractéristiques essentielles des données originales.
Nous utiliserons l'ensemble de données S-curve, qui est un ensemble de données couramment utilisé pour la réduction de dimensionnalité. Nous utiliserons des algorithmes tels que les Embeddings Linéaires Locaux, l'Embeding Isomap, l'Echelle Multidimensionnelle, l'Embeding Spectral et l'Embeding T-distribué de Voisins Stochastiques.
Conseils sur la VM
Une fois le démarrage de la VM terminé, cliquez dans le coin supérieur gauche pour basculer vers l'onglet Notebook pour accéder à Jupyter Notebook pour la pratique.
Parfois, vous devrez peut-être attendre quelques secondes pour que Jupyter Notebook ait fini de charger. La validation des opérations ne peut pas être automatisée en raison des limites de Jupyter Notebook.
Si vous rencontrez des problèmes pendant l'apprentissage, n'hésitez pas à demander à Labby. Donnez des commentaires après la session, et nous résoudrons rapidement le problème pour vous.