数据驱动建模：奇异值分解与主成分分课件.pptVIP

数据驱动建模：奇异值分解与主成分分析data-driven modeling: singular value decomposition (SVD) and principal component analysis (PCA) “Omics”: 海量数据 microarray: 在N个样本中 同时监测M个基因的表达水平 数据量： M x N 未考虑关于N个基因的背景知识 问题 如何刻画数据的主要变化趋势？ 个别基因与主要趋势如何联系？ 如何用“最少数量” 的独立参数（最少的假设），来代表数据中“有意义”的信息？ 复习 线性组合、线形空间 向量的内积，正交 向量、基矢量 线性变换与矩阵乘法 SVD 是什么？ 考虑 M x N 的矩阵 A 数据压缩与数据过滤 example 奇异值分解与几何变换：A的“大小”（范数） 奇异值分解与线形方程组 例子：代谢流量平衡 线性最小二乘拟合 Back to gene expression data 含义？ 例子：出芽酵母细胞周期基因表达数据驱动建模 （PNAS,2000，10102） SVD SVD-original data 最大奇异值 〉90%的表达水平 SVD-original data data normalization by SVD SVD-filtered data expand to real genes/re