Des ressources très pertinentes sont disponibles ici.
Les slides du premier cours sont ici et ici (PCA et SVD). Auparavant, il pourra être utile de parcourir les documents ci-dessous
Une vidéo sur les vecteurs propres et valeurs propres ici.
Une visualisation de la notion d'Analyse en Composantes Principales et ici
Les slides du deuxième cours sont ici (Manifold learning) . Il est intéressant de regarder ce blog pour gagner en intuition sur t-SNE.
Les slides du troisième cours sont ici (Représentation des graphes)
Les slides du quatrième cours sont ici (Embedding par réseaux de neurones) et CODE
Les slides du cinquième cours sont ici (Réseaux de neurones graphiques)
Projets :
refaire les examples proposés sur la page de scikit learn: https://scikit-learn.org/stable/modules/manifold.html# avec des données différentes de votre choix. Expliquez les méthodes qui y sont illustrées à l'aide d'un cadre mathématique précis qui pourra s'appuyer sur les questions suivantes :
en quoi la méthode propose-t-elle un changement de représentation des données ? les données ont-elles des coordonnées différentes après l'application de la méthode ?
quelle problème d'optimisation est utilisé pour obtenir la nouvelle représentation des données, c'est à dire les nouvelles coordonnées de chaque donnée ?
comment ce problème d'optimisation est-il résolu ? est-on sûr que la méthode de résolution adoptée pour cette méthode conduit à une minimisation globale ?