カスタム関数と抽出器法で前処理されたテキストについて，削減器関数を訓練する：

削減器を訓練し各変数の名前を与える：

連想形式を使って新たな例を削減する：

リスト形式はここでも使うことができる：

単純なデータ集合について削減器を訓練する：

最初の特徴は数値と解釈される．FeatureTypesを使って最初の特徴の名目的解釈を強制する：

t-SNEメソッドを使ってフィッシャー(Fisher)の「アヤメ」に関するデータ集合の次元を削減する：

例をその種によってグループ化する：

特徴の次元を削減する：

削減されたデータ集合を可視化する：

別のパープレキシティ値を使って同じ操作を行う：

自動エンコーダメソッドを使って画像の次元を削減する：

画像の二次元表現を可視化する：

ランダムノイズで，スイスロール(Swiss-roll)データ集合として知られる非線形データマニホールドを生成する：

三次元スイスロールデータ集合を可視化する：

等長写像(isomap)メソッドを使って削減化関数を訓練する：

次元が削減されたデータ集合の二次元埋込みを可視化する：

局所的線形埋込み(LLE)メソッドを使って削減器関数を訓練する：

次元が削減されたデータ集合の二次元埋込みを可視化する：

システムのデフォルトGPU上の完全に連結された"AutoEncoder"を使って削減器関数を訓練し，そのAbsoluteTimingを見る：

この時間をデフォルトのCPU計算で得られた時間と比較する：

ExampleDataから，フィッシャーの「アヤメ」のデータ集合をロードする：

各例の特徴から削減器関数を生成する：

例をその種によってグループ化する：

特性の次元を削減する：

削減されたデータ集合を可視化する：

3D幾何学データをロードする：

異なる頭部姿勢を形成する，ランダムな視点からの多くの頭部のデータ集合を生成する：

さまざまな頭部姿勢を可視化する：

LLEメソッドを使って，さまざまな姿勢の画像のデータ集合について削減器関数を生成する：

2本の軸が上下と前後の姿勢を表す，50×50入力空間からの画像の二次元表現を可視化する：

ExampleDataからMNISTデータ集合をロードし，その画像を保存する：

画像を数値データに変換し，データ集合を訓練集合と検定集合に分割する：

データ集合の次元は784である：

目標次元を50とし，訓練集合から次元削減器を作る：

検定集合からのベクトルを削減する：

もとのベクトルとその再構築されたバージョンを可視化する：

ベクトルのいくつかの値をMissing[]で置換し，これを可視化する：

削減器で欠落値を補完する：

もとの画像，欠落値のある画像，補完された画像を可視化する：

ユーザによる映画の評価をSparseArray形で得る：

このデータ集合は，100人のユーザと10の映画からなる．評価範囲は1から5までで，Missing[]は未評価を意味する：

データ集合を訓練集合と検定集合に分割する：

訓練集合から次元削減器を生成する：

この次元削減器を使い，新規ユーザの欠落値を補完（つまり推測）する：

犬の画像のデータ集合を構築する：

このデータ集合からの削減器関数を訓練する：

削減された空間でNearestFunctionを生成する：

NearestFunctionを使ってデータ集合に最も近い画像を表示する関数を構築する：

データ集合には含まれていない画像にこの関数を使う：

削減器関数を使って小さすぎる画像のペアを削除することもできる：