دانلود کتاب Nonnegative Matrix and Tensor Factorizations: Applications to Exploratory Multi-way Data Analysis and Blind Source Separation
49,000 تومان
فاکتورسازی های غیر منفی ماتریس و تانسور: کاربردها برای تحلیل داده های چندراهه اکتشافی و جداسازی منبع کور
| موضوع اصلی | بهینه سازی، تحقیق در عملیات |
|---|---|
| نوع کالا | کتاب الکترونیکی |
| ناشر | Wiley |
| تعداد صفحه | 501 |
| حجم فایل | 15 مگابایت |
| کد کتاب | 0470746661,9780470746660 |
| نویسنده | Andrzej Cichocki, Anh Huy Phan, Rafal Zdunek, Shun-Ichi Amari |
|---|---|
| زبان | انگلیسی |
| فرمت | |
| سال انتشار | 2009 |
جدول کد تخفیف
| تعداد کتاب | درصد تخفیف | قیمت کتاب |
| 1 | بدون تخفیف | 25,000 تومان |
| 2 | 20 درصد | 20,000 تومان |
| 3 الی 5 | 25 درصد | 18,750 تومان |
| 6 الی 10 | 30 درصد | 17,500 تومان |
| 11 الی 20 | 35 درصد | 16,250 تومان |
| 21 الی 30 | 40 درصد | 15,000 تومان |
| 31 الی 40 | 45 درصد | 13,750 تومان |
| 41 الی 50 | 50 درصد | 12,500 تومان |
| 51 الی 70 | 55 درصد | 11,250 تومان |
| 71 الی 100 | 60 درصد | 10,000 تومان |
| 101 الی 150 | 65 درصد | 8,750 تومان |
| 151 الی 200 | 70 درصد | 7,500 تومان |
| 201 الی 300 | 75 درصد | 6,250 تومان |
| 301 الی 500 | 80 درصد | 5,000 تومان |
| 501 الی 1000 | 85 درصد | 3,750 تومان |
| 1001 الی 10000 | 90 درصد | 2,500 تومان |
ترجمه فارسی توضیحات (ترجمه ماشینی)
فاکتورسازی های غیر منفی ماتریس و تانسور: کاربردها برای تحلیل داده های چندراهه اکتشافی و جداسازی منبع کور
این کتاب بررسی گسترده ای از مدل ها و الگوریتم های کارآمد برای فاکتورسازی ماتریس غیرمنفی (NMF) ارائه می دهد. این شامل الحاقات و اصلاحات مختلف NMF، به ویژه فاکتورسازیهای تانسور غیرمنفی (NTF) و تجزیههای تاکر غیرمنفی (NTD) میشود. NMF/NTF و الحاقات آنها به طور فزاینده ای به عنوان ابزاری در پردازش سیگنال و تصویر و تجزیه و تحلیل داده ها مورد استفاده قرار می گیرند و به دلیل توانایی آنها در ارائه بینش های جدید و اطلاعات مرتبط در مورد روابط پنهان پیچیده در مجموعه داده های تجربی مورد توجه قرار می گیرند. پیشنهاد میشود که NMF میتواند مؤلفههای معنیداری را با تفاسیر فیزیکی ارائه کند. به عنوان مثال، در بیوانفورماتیک، NMF و پسوندهای آن با موفقیت در بیان ژن، تجزیه و تحلیل توالی، خصوصیات عملکردی ژن ها، خوشه بندی و متن کاوی به کار گرفته شده است. به این ترتیب، نویسندگان بر روی الگوریتمهایی تمرکز میکنند که در عمل بسیار مفید هستند و به سریعترین، قویترین و مناسبترین مدلها در مقیاس بزرگ نگاه میکنند.
ویژگیهای کلیدی:
- بهعنوان راهنمای مرجع تک منبعی برای NMF عمل میکند، و اطلاعاتی را که به طور گسترده در ادبیات کنونی پراکنده شدهاند، از جمله تکنیکهای اخیراً توسعهیافته خود نویسندگان در حوزه موضوعی، جمعآوری میکند.
- از توابع هزینه تعمیم یافته مانند واگرایی های برگمن، آلفا و بتا برای ارائه پیاده سازی های عملی چندین نوع الگوریتم قوی، به ویژه الگوریتم های ضربی، حداقل مربعات متناوب، گرادیان پیش بینی شده و شبه نیوتن استفاده می کند.
- تجزیه و تحلیل مقایسه ای از روش های مختلف به منظور شناسایی خطای تقریبی و پیچیدگی ارائه می دهد.
- شامل کدهای شبه و کدهای منبع بهینه شده متلب برای تقریباً همه الگوریتم های ارائه شده در کتاب است.
افزایش علاقه به فاکتورسازیهای غیرمنفی ماتریس و تانسور، و همچنین تجزیه و نمایش پراکنده دادهها، اطمینان حاصل میکند که خواندن این کتاب برای مهندسان، دانشمندان، محققان، متخصصان صنعت و دانشجویان فارغالتحصیل در سیگنالها و سیگنالها ضروری است. پردازش تصویر؛ عصب شناسی; داده کاوی و تجزیه و تحلیل داده ها؛ علوم کامپیوتر؛ بیوانفورماتیک؛ پردازش گفتار؛ مهندسی پزشکی؛ و چند رسانه ای
This book provides a broad survey of models and efficient algorithms for Nonnegative Matrix Factorization (NMF). This includes NMF’s various extensions and modifications, especially Nonnegative Tensor Factorizations (NTF) and Nonnegative Tucker Decompositions (NTD). NMF/NTF and their extensions are increasingly used as tools in signal and image processing, and data analysis, having garnered interest due to their capability to provide new insights and relevant information about the complex latent relationships in experimental data sets. It is suggested that NMF can provide meaningful components with physical interpretations; for example, in bioinformatics, NMF and its extensions have been successfully applied to gene expression, sequence analysis, the functional characterization of genes, clustering and text mining. As such, the authors focus on the algorithms that are most useful in practice, looking at the fastest, most robust, and suitable for large-scale models.
Key features:
- Acts as a single source reference guide to NMF, collating information that is widely dispersed in current literature, including the authors’ own recently developed techniques in the subject area.
- Uses generalized cost functions such as Bregman, Alpha and Beta divergences, to present practical implementations of several types of robust algorithms, in particular Multiplicative, Alternating Least Squares, Projected Gradient and Quasi Newton algorithms.
- Provides a comparative analysis of the different methods in order to identify approximation error and complexity.
- Includes pseudo codes and optimized MATLAB source codes for almost all algorithms presented in the book.
The increasing interest in nonnegative matrix and tensor factorizations, as well as decompositions and sparse representation of data, will ensure that this book is essential reading for engineers, scientists, researchers, industry practitioners and graduate students across signal and image processing; neuroscience; data mining and data analysis; computer science; bioinformatics; speech processing; biomedical engineering; and multimedia.
برای فرستادن دیدگاه، باید وارد شده باشید.
نقد و بررسیها
هنوز بررسیای ثبت نشده است.