دانلود کتاب Principal manifolds for data visualization and dimension reduction

ترجمه فارسی توضیحات (ترجمه ماشینی)

منیفولدهای اصلی برای تجسم داده ها و کاهش ابعاد

در سال 1901، کارل پیرسون تجزیه و تحلیل اجزای اصلی (PCA) را اختراع کرد. از آن زمان، PCA به عنوان یک نمونه اولیه برای بسیاری از ابزارهای دیگر تجزیه و تحلیل، تجسم و کاهش ابعاد عمل می کند: تجزیه و تحلیل مؤلفه های مستقل (ICA)، مقیاس چند بعدی (MDS)، PCA غیرخطی (NLPCA)، نقشه های خود سازمان دهی (SOM)، و غیره. کتاب با نقل قول از تعریف کلاسیک پیرسون از PCA شروع می شود و شامل بررسی روش های مختلف است: NLPCA، ICA، MDS، الگوریتم های تعبیه و خوشه بندی، منیفولدهای اصلی و SOM. رویکردهای جدید به NLPCA، منیفولدهای اصلی، اجزای اصلی انشعاب و نگاشت‌های حفظ توپولوژی نیز شرح داده شده‌اند. ارائه الگوریتم‌ها با مطالعات موردی، از مهندسی تا نجوم، اما بیشتر از داده‌های بیولوژیکی تکمیل می‌شود: تجزیه و تحلیل داده‌های ریزآرایه و متابولیت. جلد با آموزش «PCA و K-means رمزگشایی ژنوم» به پایان می‌رسد. این کتاب قرار است برای پزشکان در تجزیه و تحلیل داده های کاربردی در علوم زیستی، مهندسی، فیزیک و شیمی مفید باشد. همچنین برای دانشجویان دکترا و محققان علوم کامپیوتر، ریاضیات کاربردی و آمار ارزشمند خواهد بود.

Principal manifolds for data visualization and dimension reduction

In 1901, Karl Pearson invented Principal Component Analysis (PCA). Since then, PCA serves as a prototype for many other tools of data analysis, visualization and dimension reduction: Independent Component Analysis (ICA), Multidimensional Scaling (MDS), Nonlinear PCA (NLPCA), Self Organizing Maps (SOM), etc. The book starts with the quote of the classical Pearson definition of PCA and includes reviews of various methods: NLPCA, ICA, MDS, embedding and clustering algorithms, principal manifolds and SOM. New approaches to NLPCA, principal manifolds, branching principal components and topology preserving mappings are described as well. Presentation of algorithms is supplemented by case studies, from engineering to astronomy, but mostly of biological data: analysis of microarray and metabolite data. The volume ends with a tutorial “PCA and K-means decipher genome”. The book is meant to be useful for practitioners in applied data analysis in life sciences, engineering, physics and chemistry; it will also be valuable to PhD students and researchers in computer sciences, applied mathematics and statistics.