目的：降維的應(yīng)用、概念、及算法。降維的3個目的：數(shù)據(jù)壓縮、加速算法（縮小特征變量）、數(shù)據(jù)可視化。降維本身也是一種無監(jiān)督學(xué)習(xí)算法。
1. Lesson 115 數(shù)據(jù)壓縮
????1. 目的：降維的第一個應(yīng)用 數(shù)據(jù)壓縮
????2. 內(nèi)容：
??????1. 降維實際上就是減少特征變量（這里說的降維是針對特征變量進(jìn)行向量化而言），比如3維降到2維就是指3個特征變量縮小到2個特征變量
??????2. 當(dāng)特征變量太多，而且重復(fù)度高（相關(guān)性高）在數(shù)據(jù)存儲和算法計算量上會造成浪費
2. Lesson 116 數(shù)據(jù)可視化
???? 1. 目的：降維的第二個應(yīng)用 數(shù)據(jù)可視化
???? 2. 內(nèi)容：當(dāng)超過3維之后（超過3個變量）無法可視化，只有2維和3維才能得到比較理想的可視化
3. Lesson 117 主成分分析問題規(guī)劃1
????1. 目的：介紹主成分分析算法PCA
????2. 內(nèi)容：
image.png
?????? 2. PCA與線性回歸不同，前者是點到線的最短垂直距離，后者是點到線的直線距離（垂直于坐標(biāo)軸）；前者無預(yù)測標(biāo)簽（無監(jiān)督），后者有預(yù)測y（有監(jiān)督）
image.png
4. Lesson 118 主成分分析問題規(guī)劃2
????1. 目的：講解PCA具體算法
????2. 內(nèi)容：
數(shù)據(jù)預(yù)處理.png
?? ????2. PCA具體算法步驟
PCA算法步驟.png
??????3. 統(tǒng)計學(xué)基本概念，我們給定一個含有n個樣本的集合，下面給出這些概念的公式描述。
image.png
??????4. 協(xié)方差及其意義
image.png
??????5. 協(xié)方差矩陣
image.png
5. Lesson 119 主成分?jǐn)?shù)量選擇
????1. 目的：m維數(shù)據(jù)降到k維，k值的選擇
6. Lesson 120 壓縮重現(xiàn)
????1. 目的：m維數(shù)據(jù)降到K維之后，通過K維數(shù)據(jù)恢復(fù)m維數(shù)據(jù)
7. Lesson 121 應(yīng)用PCA建議
????1. 目的：如何應(yīng)用PCA及相關(guān)建議
????2. 內(nèi)容：
??????1. PCA錯誤用法：防止過擬合，防止過擬合正確的做法是正則化
??????2. PCA不是每個算法中必用的，根據(jù)需要選擇
image.png
