UMAP (Uniform Manifold Approximation and Projection) ist eine neue Mannigfaltigkeitslernmethode zur Dimensionsreduktion. UMAP basiert auf einem theoretischen Rahmen, der in der riemannschen Geometrie und der algebraischen Topologie verwurzelt ist. Das Ergebnis ist ein praktischer und skalierbarer Algorithmus, der auf reale Daten angewendet werden kann. Der UMAP-Algorithmus erreicht bei der Visualisierung Qualität, die mit t-SNE konkurrieren kann, und behält laut Argumentation mehr von der globalen Struktur bei, wobei er eine überlegene Laufzeitleistung bietet. Darüber hinaus hat UMAP keine computergestützten Einschränkungen bezüglich der Einbettungsdimension, was ihn als allgemeine Dimensionsreduktionsmethode für maschinelles Lernen geeignet macht.