آزمایشگاه نوروسینتکس - قسمت 3 - UMAP در مجموعه جلسات آزمایشگاه علوم اعصاب، تلاش میکنیم خود را جای پژوهشگران مقالات علمی قرار داده و پرسش‌ها و رویکردهای آن‌ها را نقد کنیم. با استفاده از داده‌های به اشتراک‌گذاشته‌شده، به روش‌های متنوع تحلیل داده‌ها آشنا می‌شویم. در این مجموعه، شما یاد می‌گیرید:
- تفکر نقادانه داشته باشید.
- پرسش‌های مناسب مطرح کنید.
- رویکردهای تحلیلی متناسب با پرسش‌های خود انتخاب کنید.
- تصاویر جذاب تولید کرده و مقاله بنویسید.
موضوع این قسمت:
آموزش پیاده سازی Dimensionality Reduction بر مبنای الگوریتم های UMAP در پایتون
Projecting high throughput data into high-dimensional spaces
Feature selection and Dimensionality Reduction
Manual feature selection (cell type classification)
Semi/unsupervised feature selection
Dimensionality reduction methods for unsupervised feature specification
Dimensionality reduction based on Distance Preservation
UMAP: Uniform Manifold Approximation and Projection for Dimension Reduction
Distance measures
Dot product and correlation
Euclidean distance
Building a topological representation
UMAP Hyperparameters
Manifold learning
Improving Clustering Algorithms Using UMAP Dimensionality Reduction Technique
Limitations
Same data, different methods, different results
پیش‌نیازها:
مشاهده جلسات 1 تا 4 مجموعه Matrix Decomposition:
https://www.youtube.com/playlist?list=PLrG-ctUc94nfl3GmepmhouwHbarMXOSgx|کانال تلگرام:
https://t.center/Neuro_Syntax#neurosyntax #lab
