Nonnegative Matrix and Tensor Factorizations: Aplikácie na prieskumnú analýzu viaccestných údajov a slepú separáciu zdrojov

Recenzie čitateľov

Kniha je vysoko cenená pre dôkladné preskúmanie techník faktorizácie nezáporných matíc, pričom poskytuje množstvo príkladov a kódu. Slúži ako základný úvod a praktický sprievodca pokročilými koncepciami, hoci má niektoré nezrovnalosti a mohlo by jej prospieť viac praktických príkladov.

Skvelé príklady a rozmanitosť, užitočná zbierka techník, komplexná a dôkladná prezentácia, začína základmi a postupuje k praktickým aplikáciám, stručná a prehľadná.

Niektoré nezrovnalosti v texte, predpokladá znalosť kompromisov algoritmov, v niektorých oblastiach chýbajú praktické príklady.

(na základe 4 čitateľských recenzií)

Pôvodný názov:

Nonnegative Matrix and Tensor Factorizations: Applications to Exploratory Multi-Way Data Analysis and Blind Source Separation

Obsah knihy:

Táto kniha poskytuje široký prehľad modelov a efektívnych algoritmov pre faktorizáciu negatívnych matíc (NMF). Zahŕňa rôzne rozšírenia a modifikácie NMF, najmä Nonnegative Tensor Factorizations (NTF) a NonnegativeTucker Decompositions (NTD). NMF/NTF a ich rozšírenia sa čoraz častejšie používajú ako nástroje pri spracovaní signálov a obrazov a pri analýze údajov, pretože si získali záujem vďaka svojej schopnosti poskytovať nové poznatky a relevantné informácie o zložitých vzťahov v experimentálnych súboroch údajov. Navrhuje sa, že NMF môže poskytnúť zmysluplné komponenty s fyzikálnymi interpretáciami.

Napríklad v bioinformatike sa NMF a jehorozšírenia úspešne použili na expresiu génov, sekvenčnú analýzu, funkčnú charakterizáciu génov, zhlukovanie a dolovanie textov. Autori sa preto zameriavajú naalgoritmy, ktoré sú v praxi najužitočnejšie, pričom sa zaoberajú tými najrýchlejšími, najrobustnejšími a vhodnými pre rozsiahle modely.

Kľúčové vlastnosti:

⬤ Pôsobí ako jediná zdrojová referenčná príručka o NMF, ktorá zhromažďujeinformácie, ktoré sú široko rozptýlené v súčasnej literatúre, vrátane vlastných nedávno vyvinutých techník v tejto oblasti.

⬤ Používa zovšeobecnené nákladové funkcie, ako sú Bregman, Alpha a Betadivergence, na prezentáciu praktických implementácií niekoľkých typov robustných algoritmov, najmä multiplikatívnych, alternujúcich algoritmov najmenších štvorcov, algoritmov projektovaného gradientu a kvázi Newtonových algoritmov.

⬤ Poskytuje komparatívnu analýzu rôznych metód s cieľom určiť chybu aproximácie a zložitosť.

⬤ Obsahuje pseudokódy a optimalizované zdrojové kódy MATLABu pre takmer všetky algoritmy uvedené v knihe.

Rastúci záujem o nezáporné matice a tenzofaktorizácie, ako aj o dekompozície a riedku reprezentáciu údajov zabezpečí, že táto kniha bude nevyhnutným čítaním pre inžinierov, vedcov, výskumníkov, priemyselných pracovníkov a vysokoškolských študentov v oblasti spracovania signálov a obrazov.

Neuroveda.

dolovanie údajov a analýza údajov.

Informatika.

Bioinformatika.

Spracovanie reči.

Biomedicínske inžinierstvo.

A multimédiá.