雖然這篇t-sne鄉民發文沒有被收入到精華區：在t-sne這個話題中，我們另外找到其它相關的精選爆讚文章
在 t-sne產品中有1篇Facebook貼文，粉絲數超過4萬的網紅北歐心科學 NordicHearts，也在其Facebook貼文中提到， [科普潮文] [大數據，小生物學家] #metoo #dxxkpic 用別人發布的細胞data跑了個Principle Component Analysis （PCA，主成份分析）。我應該告他們性騷擾我，告電腦騷擾我，還是告那些細胞性騷擾我？ The Era of Big Data，...
同時也有10000部Youtube影片，追蹤數超過2,910的網紅コバにゃんチャンネル，也在其Youtube影片中提到，...
-
t-sne 在 コバにゃんチャンネル Youtube 的精選貼文
2021-10-01 13:19:08![post-title]()
-
t-sne 在 大象中醫 Youtube 的最佳解答
2021-10-01 13:10:45![post-title]()
-
t-sne 在 大象中醫 Youtube 的最佳解答
2021-10-01 13:09:56![post-title]()
t-sne 在 北歐心科學 NordicHearts Facebook 的最佳貼文
[科普潮文] [大數據，小生物學家]
#metoo
#dxxkpic
用別人發布的細胞data跑了個Principle Component Analysis （PCA，主成份分析）。我應該告他們性騷擾我，告電腦騷擾我，還是告那些細胞性騷擾我？
The Era of Big Data，很大程度上幫助了生物學研究。我們有方法把想研究的器官，拆解成單細胞，再分析每個細胞的RNA成份，從而了解每個細胞在做甚麼，以及細胞之間的差異，有時會找到傳統方法找不到的細胞。
每個細胞都可以表達成千上萬的不同基因，如何找出它們的關係？應該比較哪一個基因？為了能比較多項變數，統計學家發明了PCA，將差異最大的變數，總結成不同的Components，只要觀察頭幾個Components，就能大致觀察個體之間的差異。舉個例，如果有一堆白人黑人混在一起，你就會用他們的膚色、瞳色、語言等差異較大的變數做Component ，把數據分辨出來，令數據變得可視(Data visualisation)。
對於更大型的Data，bioinformatician 會用機器學習(machine learning) 方式，找出如何比較數據才是最佳。最典型的就是t-Distributed Stochastic Neighbour Embedding (t-SNE)，只要你輸入一堆Data，它就會幫你找不同與歸類，不單是生物學數據，甚至連google image的結果，都可以用t-SNE分類。生物學上，tSNE有助找出獨特的細胞，是這個J樣的PCA不能做到的。
頭盔：我只是會一點code的biologist，統計學知識不全，有錯請指正。