Slides from lecture "Wizualizacja danych wysoko-wymiarowych, czyli nie tylko trenowaniem sieci człowiek żyje" held in CZIITT (http://www.cziitt.pw.edu.pl/) with partnership of Promity (http://promity.pl/).
35. Mel Frequency Cepstrum Coefficient
▸ STFT
▸ Obliczanie mocy
▸ Obliczenie odpowiedzi dla filtrów
zestawu filtrów mel (zwykle 26)
▸ Obliczanie DCT dla logarytmu dla
każdego filtru
35
75. Cechy ukryte w systemach rekomendacyjnych
75
użytkownicy(m)
przedmioty (n)
R
macierz ocen
=
użytkownicy(m)
cechy (r)
VT
macierz cech
przedmiotów
cechy(r)
przedmioty(n)
U
macierz cech
użytkownika
k
k
93. Problem Tłumu
93
Skoro chcemy zachować odległość między
bliższymi punktami z wyższej przestrzeni ...
To mniej “podobne punkty”, w niższej
przestrzeni będą od siebie bardzo daleko.
99. A gdy dane są duże ?
99
3x
D
G
F
E H
B
A
C
▸ Dlatego algorytm Barnes-Hut
▹ 1986 w Nature
▹ O(n log n)
▹ NASA/STI Keywords:
Computational Astrophysics ...
100. A gdy dane są duże ?
100
3x
D
G
F
E H
B
A
C
A C DB E F G H
● Wystarczająco mały kawałek przestrzeni ?
● Wystarczająco odległy od punktu ?
110. O czym sobie nie powiedzieliśmy
110
https://image.slidesharecdn.com/dimensionalityreduction-140129163722-phpapp02/95/visualization-using-tsne-2-638.jpg