潜在空间可视化：PCA、t-SNE、UMAP

技术Flow

合集 · deepia深度学习 (7)

  1. 11:31
    动画解释自编码器如是如何工作的及其应用
  2. 18:46
    潜在空间可视化：PCA、t-SNE、UMAP
  3. 20:10
    变分自编码器可视化解释
  4. 13:54
    动画解释深度学习：使用 SimCLR 进行对比学习
  5. 14:10
    去噪自动编码器背后的基础知识
  6. 32:06
    直观理解扩散模型：DDPM | 生成式 AI 动画
  7. 18:44
    基于得分的扩散模型 | 生成式人工智能动画解说
Description 
在本视频中，您将了解三种非常常见的数据降维方法：PCA、t-SNE 和 UMAP。当您想要可视化自动编码器的潜在空间时，这些方法特别有用。

如果您想了解有关这些技术的更多信息，以下是一些关键论文：
- UMAP：用于降维的均匀流形近似和投影 https://arxiv.org/abs/1802.03426
- 随机邻域嵌入Stochastic Neighbor Embedding (nips.cc)
- 使用 t-SNE 可视化数据 vandermaaten08a.pdf (jmlr.org)

如果您想了解 TriMAP 和 PACMAP 等更新的技术，以下是论文：
- TriMap：使用三元组进行大规模降维 https://arxiv.org/abs/1910.00204
- PaCMAP https://arxiv.org/abs/2012.04456

PS：视频为个人学习所收集，为方便快速理解，通过chatgpt将视频原英文配音翻译校准后转成中文配音，原视频地址为：https://www.youtube.com/watch?v=o_cAOa5fMhE。