جلسه هفتم کارگاه تجزیه ماتریس ها امروز (یکشنبه) ساعت شش برگزار خواهد شد.
محتوای جلسه:
Nonnegative Matrix Factorization
Examples:
Identifying gene expression programs of cell-type identity
Cell assembly detection from Spiking Activity
A gentle introduction to optimization
محتوای جلسه:
Nonnegative Matrix Factorization
Examples:
Identifying gene expression programs of cell-type identity
Cell assembly detection from Spiking Activity
A gentle introduction to optimization
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
Topic: Matrix Factorization
Join Zoom Meeting
https://vanderbilt.zoom.us/j/92059845441
Meeting ID: 920 5984 5441
Zoom Video
Join our Cloud HD Video Meeting
Zoom is the leader in modern enterprise video communications, with an easy, reliable cloud platform for video and audio conferencing, chat, and webinars across mobile, desktop, and room systems. Zoom Rooms is the original software-based conference room solution…
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 ...
NeuroSyntax
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 _______________________…
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
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
YouTube
جلسه 6 - کارگاه تجزیه ماتریس ها - 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…
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…
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
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
مثال برای نوع پاسخ:
Method: demix PCA
Article: https://elifesciences.org/articles/10989
#neurosyntax
در جلسه یکشنبه، ساعت شش، درباره Independent Component Analysis صحبت خواهیم کرد و در کنارش مفاهیم عمیق و بسیار جالبی رو درباره آمار سیگنال ها خواهیم آموخت.
مثالی که کار خواهیم کرد شامل حذف کردن نویز حرکات چشم از سیگنال EEG خواهد بود.
مثالی که کار خواهیم کرد شامل حذف کردن نویز حرکات چشم از سیگنال EEG خواهد بود.
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).
NeuroSyntax pinned «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…»
NeuroSyntax
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…
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
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
YouTube
جلسه 7 - کارگاه تجزیه ماتریس ها - NMF و بهینه سازی
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…
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…
در جلسه پیش رو (شنبه) درباره Linear Discriminant Analysis صحبت میکنیم که متدی هست که برای Classification و Dimensionality Reduction استفاده میشه. اما در کنار این متد وارد بحث Decoding Space و Structure of correlations میشیم که برای افراد علاقه مند به علوم اعصاب و یادگیری ماشین بحث های بسیار مهمی خواهند بود.
NeuroSyntax
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…
جلسه هشتم کارگاه Matrix Decomposition
Independent Component Analysis
CHAPTERS:
00:20 #1. Independent Component Analysis
01:06 #2. Cocktail Party Problem
10:28 #3. Statistical Properties of independent and mixed signals
13:58 #4. Random Variable
21:04 #5. Modelling timeseries as random variables
24:50 #6. Central Limit Theorem
30:08 #7. Central Limit Theorem, Nongaussianity and independence
34:41 #8. [MATLAB] Illustration of central limit theorem
52:34 #9. Optimization problem for ICA
57:29 #10. Measures of nongaussianity/independence
58:46 #11. Kurtosis
01:10:01 #12. [MATLAB] Cocktail party problem solved
01:23:46 #13. [MATLAB] Noise removal using ICA
01:43:02 #14. [MATLAB] Assumptions of ICA
_______________________________________________
_______________________________________________
Neurosyntax Academy
Telegram: https://news.1rj.ru/str/Neuro_Syntax
Instagram: neurosyntax
Independent Component Analysis
CHAPTERS:
00:20 #1. Independent Component Analysis
01:06 #2. Cocktail Party Problem
10:28 #3. Statistical Properties of independent and mixed signals
13:58 #4. Random Variable
21:04 #5. Modelling timeseries as random variables
24:50 #6. Central Limit Theorem
30:08 #7. Central Limit Theorem, Nongaussianity and independence
34:41 #8. [MATLAB] Illustration of central limit theorem
52:34 #9. Optimization problem for ICA
57:29 #10. Measures of nongaussianity/independence
58:46 #11. Kurtosis
01:10:01 #12. [MATLAB] Cocktail party problem solved
01:23:46 #13. [MATLAB] Noise removal using ICA
01:43:02 #14. [MATLAB] Assumptions of ICA
_______________________________________________
_______________________________________________
Neurosyntax Academy
Telegram: https://news.1rj.ru/str/Neuro_Syntax
Instagram: neurosyntax
YouTube
جلسه 8 - کارگاه تجزیه ماتریس ها - ICA
CHAPTERS:
00:20 #1. Independent Component Analysis
01:06 #2. Cocktail Party Problem
10:28 #3. Statistical Properties of independent and mixed signals
13:58 #4. Random Variable
21:04 #5. Modelling timeseries as random variables
24:50 #6. Central Limit Theorem…
00:20 #1. Independent Component Analysis
01:06 #2. Cocktail Party Problem
10:28 #3. Statistical Properties of independent and mixed signals
13:58 #4. Random Variable
21:04 #5. Modelling timeseries as random variables
24:50 #6. Central Limit Theorem…
Github Page
درود دوستان،
برای آکادمی نوروسینتکس صفحه گتهاب ایجاد کردم و کدهای کارگاه تجزیه ماتریس ها رو در این صفحه قرار دادم. تمامی کدهای جلسات دینامیک مغز و سایر کارگاه های نوروسینتکس هم کم کم در گتهاب بارگزاری خواهد شد و قابل دسترس خواهد بود.
تمام اسلایدهای جلسات هم با فرمت پی دی اف و پاورپوینت در دسترس قرار خواهند گرفت. میتوانید کدها و اسلایدها رو در جهت آموزش آکادمیک رایگان استفاده کنید. سپاسگزار خواهم بود اگر که در صورت استفاده به آکادمی نوروسینتکس هم اشاره کنید (نکردید هم فدای سرتون).
درود دوستان،
برای آکادمی نوروسینتکس صفحه گتهاب ایجاد کردم و کدهای کارگاه تجزیه ماتریس ها رو در این صفحه قرار دادم. تمامی کدهای جلسات دینامیک مغز و سایر کارگاه های نوروسینتکس هم کم کم در گتهاب بارگزاری خواهد شد و قابل دسترس خواهد بود.
تمام اسلایدهای جلسات هم با فرمت پی دی اف و پاورپوینت در دسترس قرار خواهند گرفت. میتوانید کدها و اسلایدها رو در جهت آموزش آکادمیک رایگان استفاده کنید. سپاسگزار خواهم بود اگر که در صورت استفاده به آکادمی نوروسینتکس هم اشاره کنید (نکردید هم فدای سرتون).