Descripción
La reducción de la dimensionalidad es una técnica de aprendizaje de máquinas sin supervisión, poderosa y versátil, que puede utilizarse para mejorar el rendimiento de prácticamente todos los modelos de ML. Utilizando la reducción de dimensionalidad, puede acelerar significativamente el entrenamiento y la validación de los modelos, ahorrando tanto tiempo como dinero, así como reducir en gran medida el riesgo de sobreajuste.
En este curso, Realizando Análisis Dimensional con R, obtendrá la capacidad de diseñar e implementar un conjunto exhaustivo de técnicas de selección de características y reducción de dimensionalidad en R. En primer lugar, aprenderá la importancia de la reducción de dimensionalidad y comprenderá las dificultades de trabajar con datos de dimensionalidad excesivamente alta, a menudo denominada la maldición de la dimensionalidad. A continuación, descubrirá cómo implementar técnicas sencillas de selección de características para decidir qué subconjunto de las características existentes podríamos elegir para utilizar, al tiempo que se pierde la menor cantidad de información posible del conjunto de datos original y completo.
Entonces aprenderá importantes técnicas para reducir la dimensionalidad en los datos lineales. Tales técnicas, en particular el Análisis de Componentes Principales y el Análisis Discriminatorio Lineal, buscan reorientar los datos originales utilizando nuevos ejes optimizados. La elección de estos ejes es impulsada por procedimientos numéricos como el Valor Propio y la Descomposición del Valor Singular.
A continuación, pasará a tratar con datos múltiples, que no son lineales y suelen adoptar la forma de rollos suizos y curvas en S. Esos datos presentan una ilusión de complejidad, pero en realidad se simplifican fácilmente desenrollando el múltiple.
Finalmente, explorará cómo implementar una amplia variedad de múltiples técnicas de aprendizaje, incluyendo el escalamiento multidimensional (MDS), el Isomap, y la incrustación del vecino estocástico distribuido en t (t-SNE). Completará el curso comparando los resultados de estas múltiples técnicas de desenrollado con datos generados artificialmente. Cuando termine este curso, tendrá las habilidades y conocimientos de Reducción de la Dimensionalidad necesarios para diseñar e implementar formas de mitigar la maldición de la dimensionalidad en R.