📊 پیادهسازی PCA با NumPy در پایتون — از صفر تا اجرا
در این پروژه، الگوریتم Principal Component Analysis (PCA) بدون استفاده از کتابخانههای آماده و فقط با NumPy پیادهسازی شده است؛ از آمادهسازی دادهها و محاسبه ماتریس کوواریانس تا محاسبه Eigenvalue/Eigenvector و کاهش بُعد دادهها.
🔹 مراحل انجامشده در پروژه:
• ست کردن دادهها
• Centering و کمکردن میانگین هر ویژگی
• محاسبه Covariance Matrix
• محاسبه Eigenvalues و Eigenvectors
• مرتبسازی مؤلفهها و انتخاب بهترینها
• تبدیل دادهها به فضای جدید (Dimension Reduction)
• مشاهده خروجی و رسم نقاط با matplotlib
نیازمندیها: numpy، matplotlib، itemgetter
کد + توضیحات:
🔗 https://github.com/omidsotooni/PrincipalComponentAnalysis
#پایتون #مولفه_اساسی #کدنویسی #فناوری #هوش_مصنوعی #گیت_هاب
#python #machine_learning #PCA #numpy #code #ai #technology #github
JOiN → @HeiltonProgramming
در این پروژه، الگوریتم Principal Component Analysis (PCA) بدون استفاده از کتابخانههای آماده و فقط با NumPy پیادهسازی شده است؛ از آمادهسازی دادهها و محاسبه ماتریس کوواریانس تا محاسبه Eigenvalue/Eigenvector و کاهش بُعد دادهها.
🔹 مراحل انجامشده در پروژه:
• ست کردن دادهها
• Centering و کمکردن میانگین هر ویژگی
• محاسبه Covariance Matrix
• محاسبه Eigenvalues و Eigenvectors
• مرتبسازی مؤلفهها و انتخاب بهترینها
• تبدیل دادهها به فضای جدید (Dimension Reduction)
• مشاهده خروجی و رسم نقاط با matplotlib
نیازمندیها: numpy، matplotlib، itemgetter
کد + توضیحات:
🔗 https://github.com/omidsotooni/PrincipalComponentAnalysis
#پایتون #مولفه_اساسی #کدنویسی #فناوری #هوش_مصنوعی #گیت_هاب
#python #machine_learning #PCA #numpy #code #ai #technology #github
JOiN → @HeiltonProgramming
GitHub
GitHub - omidsotooni/PrincipalComponentAnalysis: Implementation of PCA with python from scratch
Implementation of PCA with python from scratch. Contribute to omidsotooni/PrincipalComponentAnalysis development by creating an account on GitHub.
👍2