Generalized Principal Component Analysis

ویرایش: 1 
نویسندگان: René Vidal,  Yi Ma,  S.S. Sastry (auth.)  
سری: Interdisciplinary Applied Mathematics 40 
ISBN (شابک) : 9780387878102, 9780387878119 
ناشر: Springer-Verlag New York 
سال نشر: 2016 
تعداد صفحات: 590 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 13 مگابایت 

قیمت کتاب (تومان) : 46,000



این کتاب مقدمه‌ای جامع بر آخرین پیشرفت‌ها در نظریه ریاضی و ابزارهای محاسباتی برای مدل‌سازی داده‌های بابعد بالا که از یک یا چند زیرفضا (یا منیفولد) کم‌بعد گرفته شده‌اند و بالقوه توسط نویز و خطاهای فاحش خراب شده‌اند، ارائه می‌کند. ، یا موارد پرت. این کار چالش برانگیز مستلزم توسعه روش های جدید جبری، هندسی، آماری و محاسباتی برای تخمین و تقسیم بندی کارآمد و قوی یک یا چند زیرفضا است. این کتاب همچنین کاربردهای واقعی دنیای واقعی این روش‌های جدید را در پردازش تصویر، تقسیم‌بندی تصویر و ویدئو، تشخیص چهره و خوشه‌بندی، و شناسایی سیستم ترکیبی و غیره ارائه می‌کند.

این کتاب به عنوان یک کتاب درسی در نظر گرفته شده است. دانشجویان فارغ التحصیل و محققان مبتدی در علوم داده، یادگیری ماشین، بینایی کامپیوتر، پردازش تصویر و سیگنال، و نظریه سیستم ها. این شامل تصاویر، مثال‌ها و تمرین‌های فراوانی است و عمدتاً با سه پیوست ساخته شده است که مفاهیم و اصول اولیه را از آمار، بهینه‌سازی و جبری-هندسه مورد استفاده در این کتاب بررسی می‌کند.

رنه ویدال استاد مهندسی زیست پزشکی و مدیر آزمایشگاه دینامیک و یادگیری ویژن در دانشگاه جان هاپکینز است.

Yi Ma رئیس اجرایی و استاد دانشکده علوم و فناوری اطلاعات در دانشگاه شانگهای تک است. S. شانکار ساستری رئیس دانشکده مهندسی، استاد مهندسی برق و علوم کامپیوتر و استاد مهندسی زیستی در دانشگاه کالیفرنیا، برکلی است.

This book provides a comprehensive introduction to the latest advances in the mathematical theory and computational tools for modeling high-dimensional data drawn from one or multiple low-dimensional subspaces (or manifolds) and potentially corrupted by noise, gross errors, or outliers. This challenging task requires the development of new algebraic, geometric, statistical, and computational methods for efficient and robust estimation and segmentation of one or multiple subspaces. The book also presents interesting real-world applications of these new methods in image processing, image and video segmentation, face recognition and clustering, and hybrid system identification etc.

This book is intended to serve as a textbook for graduate students and beginning researchers in data science, machine learning, computer vision, image and signal processing, and systems theory. It contains ample illustrations, examples, and exercises and is made largely self-contained with three Appendices which survey basic concepts and principles from statistics, optimization, and algebraic-geometry used in this book.

René Vidal is a Professor of Biomedical Engineering and Director of the Vision Dynamics and Learning Lab at The Johns Hopkins University.

Yi Ma is Executive Dean and Professor at the School of Information Science and Technology at ShanghaiTech University. S. Shankar Sastry is Dean of the College of Engineering, Professor of Electrical Engineering and Computer Science and Professor of Bioengineering at the University of California, Berkeley.

Front Matter....Pages i-xxxii
Introduction....Pages 1-21
Front Matter....Pages 23-23
Principal Component Analysis....Pages 25-62
Robust Principal Component Analysis....Pages 63-122
Nonlinear and Nonparametric Extensions....Pages 123-168
Front Matter....Pages 169-169
Algebraic-Geometric Methods....Pages 171-215
Statistical Methods....Pages 217-266
Spectral Methods....Pages 267-289
Sparse and Low-Rank Methods....Pages 291-346
Front Matter....Pages 347-347
Image Representation....Pages 349-376
Image Segmentation....Pages 377-400
Motion Segmentation....Pages 401-429
Hybrid System Identification....Pages 431-451
Final Words....Pages 453-459
Back Matter....Pages 461-566