UMAP (Uniform Manifold Approximation and Projection) est une nouvelle technique d'apprentissage de variétés pour la réduction de dimension. UMAP est construite à partir d'un cadre théorique basé sur la géométrie riemannienne et la topologie algébrique. Le résultat est un algorithme pratique et évolutif qui s'applique aux données du monde réel. L'algorithme UMAP offre une qualité de visualisation comparable à celle de t-SNE, tout en préservant davantage la structure globale des données, avec des performances de temps d'exécution supérieures. De plus, UMAP n'impose aucune restriction computationnelle sur la dimension de l'embedding, ce qui en fait une technique de réduction de dimension polyvalente et applicable au machine learning en général.