جلسه ششم کارگاه تجزیه ماتریس ها ساعت شش برگزار خواهد شد (شنبه و یکشنبه - این هفته دو جلسه خواهیم داشت). محتوای جلسه شنبه:

Review on Singular Value Decomposition
Understanding the connections between PCA, and SVD
Creating latent structures and projection to higher dimensional spaces with linear functions
Spatiotemporal pattern discovery with SVD (Local Field Potential example from Marmosets)
Sparsity modelling
Sparse PCA

جلسه پنجم کارگاه Matrix Decomposition

Singular Value Decomposition
Eigenvalues and Singular Values
Low-rank Approximation with SVD
Optimal Truncation

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

_______________________________________________
_______________________________________________

CHAPTERS:

00:13 #1. Singular Value Decomposition
12:29 #2. Eigenvalues and Singular Values
22:12 #3. MATLAB Example 1
25:45 #4. Low-rank Approximation with SVD
30:17 #5. Eckard-Young Threorem
31:19 #6. [MATLAB] Low-rank Approximation with SVD
36:23 #7. Optimal Truncation
40:55 #8. [MATLAB] Optimal Truncation

لینک شرکت در جلسات این هفته تجزیه ماتریس ها - شروع کلاس 20 دقیقه دیگر

Topic: Matrix Factorization

Join Zoom Meeting
https://vanderbilt.zoom.us/j/92059845441

Meeting ID: 920 5984 5441

بچه ها با توجه به اینکه فقط یک نفر این جلسه شرکت کرده حضوری من جلسه رو ضبط نمیکنم ولی داریم پرسش و پاسخ میکنیم. اگر علاقه مند هستید بیاید. میتونید درباره مباحثی که تا اینجا کار کردیم صحبت کنید یا گپ بزنیم درباره علوم اعصاب، مدل سازی و ...

جلسه ششم کارگاه Matrix Decomposition

SVD and Sparse PCA

Review of Singular Value Decomposition (SVD)
Low rank approximation with SVD
Discovering dominant spatiotemporal modes in LFP with SVD
Sparsity in statistics
Sparse PCA
Variance-Sparsity trade-off
Parameter Tuning
PCA as a regression problem
Regularization and variable selection via the elastic net Tuning [LARS-EN]


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

_______________________________________________
_______________________________________________

CHAPTERS:

00:31 #1. Review of Singular Value Decomposition (SVD)
9:34 #2. [MATLAB] PCA and SVD for finding latent dynamics
52:20 #3. Low rank approximation with SVD
01:04:21 #4. [MATLAB] Discovering dominant spatiotemporal modes in LFP with SVD
01:31:03 #5. Sparse PCA
02:01:54 #6. [MATLAB] Sparse PCA

برنامه پیش روی احتمالی کارگاه تجزیه ماتریس ها:

Nonnegative Matrix Factorization
Independent Component Analysis
jPCA
Linear Discriminant Analysis
GPFA
Factor Analysis
Component Analysis as an optimization problem: a unified perspective

بعد از این موارد به سراغ Dynamic Mode Decomposition میریم که خودش احتمالا چندین قسمت خواهد شد. این مجموعه جلسات بر مبنای کتاب Dynamic Mode Decomposition: Data-driven modeling of complex systems خواهد بود.

و پس از اون روی Linear Dynamical Systems State-space modelling کار خواهیم کرد. دو کارگاه Dynamical Systems و Matrix Decomposition بسیار نزدیک به هم هستن برای پیدا کردن Latent Factor ها و مدلسازی دینامیک

اگر در مقالاتی که مطالعه کردید و یا در پژوهشی که انجام میدید با Dimensionality Reduction روبرو شدید، متدهای معرفی شده در این مقالات و یا پژوهش ها رو با نام بردن مقاله به این پست اضافه کنید. دوست دارم لیستی جامع از انواع متدهایی که استفاده میشن و رویکردهاشون و محدودیت ها و پیش فرض هاشون درست کنیم.

مثال برای نوع پاسخ:

Method: demix PCA
Article: https://elifesciences.org/articles/10989

#neurosyntax

برای یکشنبه این هفته یک جلسه ویژه میتونیم برگزار کنیم. بدین صورت که در جلسه میتونید ارائه های کوتاه (تا 10 دقیقه) داشته باشید و درباره حوزه کار خودتون (برای نمونه علوم اعصاب، ژنتیک، مهندسی و ...) مقاله ای رو انتخاب کنید که از متد های Dimensionality Reduction استفاده کرده (مواردی که تابحال کار شده یا تکنیک های جدید حتی) و بگید چطوری در مقاله از این متد استفاده شده؟ برای چه هدفی؟ و چه نتایجی گرفته. نیاز به ورود به جزئیات نیست. هدف بیشتر آشنایی با رویکردهای متفاوت استفاده از این متدها و چگونگی تفسیر نتایج هست. اگر علاقه مند به ارائه دادن هستید زیر این پست اعلام کنید تا اگر به اندازه کافی رسید برگزار کنیم. (حداقل 5 نفر باید ارائه بدن برای تشکیل این جلسه).

جلسه هفتم کارگاه Matrix Decomposition

Nonnegative Matrix Factorization (NMF)

Timeseries Patterns and Nonnegative Matrix Factorization (NMF)
Assumptions of NMF
NMF Implementation
Optimization
Key Concepts in Optimization
Frobenius norm
Frobenius norm and SVD
Concave and Convex functions
Limitations of NNMF

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

CHAPTERS:

00:27 #1. Nonnegative Matrix Factorization (NMF)
24:46 #2. Timeseries Patterns and Nonnegative Matrix Factorization
41:47 #3. [MATLAB] Cell Assembly Detection with NMF
55:13 #4. [MATLAB] Gene expression data
01:22:53 #5. Estimating number of dimensions
01:29:45 #6. Assumptions of NMF
01:33:07 #7. NMF Implementation
01:35:19 #8. Optimization