Rozlúčka s PCA a EM: Pohľad zo Stanfordu
Rozlúčková prednáška zo Stanfordu vysvetľuje EM algoritmus (hľadanie skrytých vzorcov) a PCA (redukcia dimenzionality). Kľúčové sú Jensenova nerovnosť a správny výber surogátnej funkcie pre efektívnu analýzu dát.
Prednáška z kurzu Machine Learning na Stanforde sa venovala dvom kľúčovým témam – algoritmu EM (Expectation-Maximization) a metóde PCA (Principal Component Analysis). Profesor Chris Ré, spolu so svojím tímom, vysvetlil komplexné koncepty latentných premenných, Jensenovej nerovnosti a optimalizácie pomocou surrogate funkcií. Zároveň sa zameral na praktické využitie PCA pri redukcii dimenzionality dát a identifikácii hlavných smerov variability. Prednáška bola zároveň aj rozlúčkou s poslucháčmi, čo pridáva celému obsahu osobitý nádych.
EM algoritmus: Hľadanie skrytých vzorcov v dátach
EM algoritmus je iteratívny proces, ktorý sa používa na nájdenie parametrov modelov so skrytými (latentnými) premennými. Predstavte si, že máte údaje o počtoch fotónov z platne a snažíte sa identifikovať zdroje svetla. EM algoritmus vám pomôže odhaliť tieto skryté zdroje tým, že priradí každý údaj pravdepodobnostne k viacerým zdrojom (tzv. soft assignments).
