Matrix

数据降维与数据分类识别

本论坛主题为数据降维、数据识别，其中的数据类型包括图像数据、文本数据等大型数据

您的第一个主题

版主: 管理员

Understanding Complex Dataset

本论坛中，我将一一向您介绍运用矩阵分解方法来处理数据挖掘中的问题，具体内容安排如下： chapter1 数据挖掘（Data Mining） 1.1 什么是数据？ 1.2 数据挖掘技术 1.2.1 预测（Prediction） 1.2.2 聚类（Clustering） 1.2.3 奇异点查找（Finding Outliniers） 1.2.4 局部模式的查找（Finding local pattern） 1.3 为什么运用矩阵分解 1.3.1 来自多个处理过程的数据 1.3.2 来自多个因子的数据 1.3.3 矩阵分解的目的 Chapter 2 矩阵分解（Matrix Decomposition） 2.1 基本定义 2.2 分解的解释 2.2.1 因子（Factor）--隐含因子 2.2.2 几何解释--隐含聚类 2.2.3 分支（Component）--主要成份 2.2.4 图论-蕴含链接关系 2.2.5 总结 2.2.6 例子 2.3 分解的应用 2.3.1 因子/维数/分支/通道的选择 2.3.2 相似性（Similarity）与聚类 2.3.3 局部关系搜索 2.3.4 稀疏性表示（Sparse Representation） 2.3.5 过度取样 2.4 算法 2.4.1 算法与复杂度 2.4.2 数据的准备 2.4.3 分解的改进（Update） Chapter3 奇异值分解（SVD） 3.1 基本定义 3.2 SVD的解释 3.2.1 因子的解释 3.2.2 几何解释 3.2.3 分支解释 3.2.4 图论解释 3.3 SVd方法应用 3.3.1 因子/维数/分支/通道的选择 3.3.2 相似性（Similarity）与聚类 3.3.3 局部关系搜索 3.3.4 取样和稀疏化 3.3.5 定义域 3.4 算法 3.4.1 算法与复杂度 3.4.2 SVD的更新 3.5 SVD的应用