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