جلسه دوم کارگاه Matrix Decomposition

موضوعات:
Youtube link


Eigendecomposition and Principal Component Analysis:
Correlation spaces,
Covariance and correlation matrix
Eigendecomposition
Interpreting PCA output
Dimensionality Reduction
PCA Assumptions and Limitations

________________________________________________
________________________________________________

CHAPTERS:

00:00 #1. Session 1 summary
01:16 #2. Magnitude of a vector
05:50 #3. Patterns and Correlation Spaces
21:08 #4. Compute Covariance Matrix
31:10 #5. Principal Component Analysis
41:38 #6. Eigendecomposition
55:13 #7. Explained Variance
01:00:32 #8. Dimensionality Reduction
01:27:27 #8. Truncation
01:32:07 #9. Marchenko-Pastur Distribution
01:37:23 #10. PCA Uniqueness
01:39:40 #11. PCA assumptions and limitations


#neurosyntax #video #matrixdecomposition

دیدگاه های خودتون درباره دو جلسه نخست کارگاه تجزیه ماتریس ها رو میتونید در بخش کامنت های این پست بفرستید. سفر طولانی ای در پیش رو داریم و نگاه های شما به من کمک میکنه که بهتر بدونم از چه بخش های مسیر بیشتر باید عبور کنیم. سپاس

درود دوستان

جلسه امروز کارگاه تجزیه ماتریس ها رو نمیتونم برگزار کنم. جلسه یکشنبه (فردا) برگزار خواهد شد.

در جلسه یکشنبه به بررسی مثال های عملی PCA خواهیم پرداخت.

مثال از جامعه شناسی ( بررسی علل شادمانی کشورها)

ژنتیک (بررسی طبقه بندی سرطان های مختلف بر اساس داده های توالی ژنی)

علوم اعصاب ( پیدا کردن cell assembly ها و بررسی تئوری و عملی neural manifold)

#neurosyntax

دوستانی که جلسات رو همراهی میکنن به صورت حضوری و یا از یوتیوب میتونن برای بحث و طرح سوالات عضو گروه تلگرامی پایین بشن:

https://news.1rj.ru/str/thepath_iran/259062

در اینجا میتونید سوالات خودتون رو مطرح کنید، بحث کنید و رویکردهای جدیدی که میشناسید رو ارائه کنید.

نوروسینتکس برای گسترش محتوای خود به افرادی نیاز دارد که بتوانند در تولید محتوا و همچنین در طراحی و مدیریت کانال‌های تلگرام، اینستاگرام و یوتیوب کمک کنند. اگر علاقه‌مند به تولید محتوا (مانند تک ارائه ها یا پلی‌لیست‌های آموزشی) هستید یا می‌توانید در مدیریت محتوا و طراحی‌ها یاری کنید، لطفاً زیر این پست کامنت بگذارید تا با شما تماس بگیریم. با توجه به اینکه محتوای نوروسینتکس به صورت کاملاً رایگان و در دسترس است، افرادی که علاقه‌مند به همکاری هستند باید به ادامه این رویکرد متعهد باشند.

وبگاه های نوروسینتکس را در فضای مجازی دنبال کنید:

Instagram: neurosyntax
Youtube: @neurosyntaxacademy
Telegram: https://news.1rj.ru/str/Neuro_Syntax

جلسه سوم کارگاه Matrix Decomposition

Principal Component Analysis Applications

Interpreting loadings, scores, and dimensionality reduction
Limitations in interpretation

Examples:
What factors do explain the world happiness the most?
Dataset: https://worldhappiness.report/ed/2021/happiness-trust-and-deaths-under-covid-19/

Discovering structure in gene expression data for 6 cancer types
Dataset: https://www.kaggle.com/datasets/brunogrisci/breast-cancer-gene-expression-cumida

Detecting cell assemblies in neural population spike data

Telegram: https://news.1rj.ru/str/Neuro_Syntax
Instagram: neurosyntax

_______________________________________________
_______________________________________________

CHAPTERS:

00:00 #1. Session 2 summary
09:35 #2. Toy simple examples - MATLAB
30:48 #3. Example 2: World Happiness Report
49:16 #4. Example 3: Breast Cancer Gene Expression
01:36:55 #5. PCA-Applications in Neuroscience
01:37:24 #6. Example 4: Cell assembly detection

#neurosyntax #video #matrixdecomposition

اگر مجموعه جلسات نوروسینتکس رو حضوری و یا از کانال تلگرام و یوتیوب دنبال میکنید، لطفا نظرات خودتون رو زیر ویدیوهای یوتیوب قرار بدید. از این روش به بیشتر دیده شدن محتوای نوروسینتکس کمک کنید.

مجموعه اسلاید های کارگاه تجزیه ماتریس ها
جلسه 1 - 3
آکادمی نوروسینتکس

#neurosyntax #slides #matrixdecomposition

جلسه چهارم کارگاه Matrix Decomposition

Latent-state models of observational data

Neural Manifold Hypothesis
Neural trajectory of parallel spike trains
Strong and weak principles of neural dimension reduction
Constraints on dynamics in high-dimensional spaces
Latent state generative model of neural population
Neural Dimensionality Reduction with DataHigh
PCA Assumptions for timeseries
Component Analysis, Manifold Learning, State-space models, and Applications

Neurosyntax Academy
Telegram: https://news.1rj.ru/str/Neuro_Syntax
Instagram: neurosyntax


_______________________________________________
_______________________________________________

CHAPTERS:

00:45 #1. Session 3 summary
05:02 #2. Neural Manifold
5:43 #3. Neural trajectory of parallel spike trains
16:08 #4. Strong and weak principles of neural dimension reduction
18:48 #5. Constraints on dynamics in high-dimensional spaces
25:32 #6. Manifold Hypothesis
37:07 #7. Latent Structures
52:56 #8. Neural Dimensionality Reduction with DataHigh
01:15:21 #9. PCA limitations and assumptions for timeseries latent state analysis
01:24:40 #10. Component Analysis, Manifold Learning, State-space models, and Applications

#neurosyntax #video #matrixdecomposition