سیدمصطفی کلامی هِریس

پیش از این در پادکست «نکاتی پیرامون کاهش ابعاد با PCA و SVD»، در مورد SVD و PCA صحبت کرده‌ام و این که چطور از مقادیر تکین برای کاهش ابعاد داده‌ها و فشرده‌سازی اطلاعات استفاده می‌شود. در این مطلب، منابع دیگری را در همین رابطه، از فرادرس و مجله فرادرس، معرفی کرده‌ام.

تجزیه به مقادیر تکین یا منفرد (SVD) یکی از روش‌های تجزیه ماتریس است که کاربردهای زیادی در آمار، مهندسی و یادگیری ماشین دارد. در مقاله «تجزیه مقادیر منفرد (SVD) — به زبان ساده» از مجله فرادرس، مفاهیم پایه‌ای SVD به زبان ساده توضیح داده شده است.

تجزیه مولفه‌های اساسی (PCA) هم یکی از روش‌های پایه‌ای و پرکاربرد در کاهش ابعاد و فشرده‌سازی اطلاعات است، که گام‌های مهمی در حوزه یادگیری ماشین و تحلیل پیش‌بینانه محسوب می‌شوند. هسته اصلی PCA خطی، الگوریتم SVD است. اما PCA نسخه غیر خطی هم دارد. در مطلب «تحلیل مولفه اساسی (PCA) در پایتون — راهنمای کاربردی» به این مبحث پرداخته شده است.

در بخش هفتم از «مجموعه آموزش‌های داده کاوی» هم، که در فرادرس منتشر شده است، به بحث «کاهش ابعاد» (Dimensionality Reduction) پرداخته‌ام و روش‌های مختلف انجام این بخش مهم از عملیات پیش‌پردازش، توضیح داده شده و پیاده‌سازی شده‌اند.