Factorizări ne-negative de matrice și tensori: Aplicații la analiza exploratorie multidirecțională a datelor și separarea orbitoare a surselor

Recenzii ale cititorilor

Cartea este foarte apreciată pentru explorarea aprofundată a tehnicilor de factorizare a matricei non-negative, oferind numeroase exemple și cod. Ea servește atât ca o introducere fundamentală, cât și ca un ghid practic pentru conceptele avansate, deși are unele inconsecvențe și ar putea beneficia de mai multe exemple practice.

Exemple mari și varietate, colecție utilă de tehnici, prezentare cuprinzătoare și completă, începe cu elementele de bază și avansează la aplicații practice, concis și ușor de urmărit.

Unele inconsecvențe în text, presupune familiarizarea cu compromisurile algoritmilor, lipsește exemple practice în unele domenii.

(pe baza a 4 recenzii ale cititorilor)

Titlul original:

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

Conținutul cărții:

Această carte oferă un studiu amplu al modelelor și al algoritmilor eficienți pentru factorizarea matricei ne-negative (NMF). Aceasta include diversele extensii și modificări ale NMF, în special factorizările tensoriale ne-negative (NTF) și descompunerile Tucker ne-negative (NTD). NMF/NTF și extensiile acestora sunt utilizate din ce în ce mai mult ca instrumente în prelucrarea semnalelor și a imaginilor, precum și în analiza datelor, stârnind interes datorită capacității lor de a oferi noi perspective și informații relevante cu privire la relațiile complexe latente din seturile de date experimentale. Se sugerează că NMF poate furniza componente semnificative cu interpretări fizice.

De exemplu, în bioinformatică, NMF și extensiile sale au fost aplicate cu succes la expresia genelor, analiza secvențelor, caracterizarea funcțională a genelor, gruparea și extragerea textelor. Ca atare, autorii se concentrează asupraalgoritmelor care sunt cele mai utile în practică, analizând cele mai rapide, cele mai robuste și cele potrivite pentru modele la scară largă.

Caracteristici principale:

⬤ Actuează ca un ghid de referință cu sursă unică pentru NMF, reunind informații care sunt dispersate pe scară largă în literatura de specialitate actuală, inclusiv propriile tehnici recent dezvoltate de autori în acest domeniu.

⬤ Utilizează funcții de cost generalizate, cum ar fi Bregman, Alpha și Betadivergențe, pentru a prezenta implementări practice ale mai multor tipuri de algoritmi rezistenți, în special algoritmii multiplicativi, AlternatingLeast Squares, Projected Gradient și Quasi Newton.

⬤  Oferă o analiză comparativă a diferitelor metode pentru a identifica eroarea de aproximare și complexitatea.

⬤ Include pseudocoduri și coduri sursă MATLAB optimizate pentru aproape toți algoritmii prezentați în carte.

Interesul tot mai mare pentru matricele ne-negative și tensorfactorizările, precum și descompunerile și reprezentarea rară a datelor, va asigura faptul că această carte este o lectură esențială pentru ingineri, oameni de știință, cercetători, practicieni din industrie și studenți din domeniul procesării semnalelor și imaginilor.

Neuroștiințe.

Data mining și analiza datelor.

Informatică.

Bioinformatică.

Prelucrarea vorbirii.

Inginerie biomedicală.

Și multimedia.