برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید

09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Independent Component Analysis: A Tutorial Introduction

دانلود کتاب تجزیه و تحلیل اجزای مستقل: مقدمه آموزشی

مشخصات کتاب

Independent Component Analysis: A Tutorial Introduction

دسته بندی: تحلیل و بررسی
ویرایش: illustrated edition 
نویسندگان: James V. Stone  
سری: Bradford Books 
ISBN (شابک) : 9780262693158, 0262693151 
ناشر: The MIT Press 
سال نشر: 2004 
تعداد صفحات: 213 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 2 مگابایت

قیمت کتاب (تومان) : 48,000

میانگین امتیاز به این کتاب :
تعداد امتیاز دهندگان : 17

در صورت تبدیل فایل کتاب Independent Component Analysis: A Tutorial Introduction به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.

توجه داشته باشید کتاب تجزیه و تحلیل اجزای مستقل: مقدمه آموزشی نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.

توضیحاتی در مورد کتاب تجزیه و تحلیل اجزای مستقل: مقدمه آموزشی

تجزیه و تحلیل مؤلفه های مستقل (ICA) در حال تبدیل شدن به یک ابزار مهم برای تجزیه و تحلیل مجموعه داده های بزرگ است. در اصل، ICA مجموعه‌ای از مخلوط‌های سیگنال مشاهده‌شده را به مجموعه‌ای از سیگنال‌های جزء مستقل از نظر آماری یا سیگنال‌های منبع جدا می‌کند. با انجام این کار، این روش قدرتمند می تواند مقدار نسبتا کمی از اطلاعات مفید را که معمولاً در مجموعه داده های بزرگ یافت می شود استخراج کند. کاربردهای ICA از پردازش گفتار، تصویربرداری مغز و سیگنال‌های الکتریکی مغز تا مخابرات و پیش‌بینی سهام را شامل می‌شود. جیم استون در تحلیل مؤلفه‌های مستقل، ملزومات ICA و تکنیک‌های مرتبط (پیگیری فرافکنی و پیگیری پیچیدگی) را با استفاده از مثال‌های شهودی که با عبارت‌های هندسی ساده توصیف شده‌اند، به شیوه‌ای آموزشی ارائه می‌کند. این درمان نیاز به یک آغازگر اساسی در ICA را برطرف می کند که می تواند توسط خوانندگان سطوح مختلف پیچیدگی ریاضی، از جمله مهندسان، دانشمندان علوم شناختی، و دانشمندان علوم اعصاب که نیاز به دانستن اصول این روش در حال تکامل دارند، استفاده کند. یک مرور کلی، استراتژی ضمنی در ICA را بر اساس زیربنای فیزیکی آن مشخص می‌کند و توضیح می‌دهد که چگونه ICA بر اساس مشاهدات کلیدی است که فرآیندهای فیزیکی مختلف خروجی‌هایی تولید می‌کنند که از نظر آماری مستقل از یکدیگر هستند. کتاب سپس آنچه را که استون «مهره و پیچ و مهره ریاضی» می‌نامد، توضیح می‌دهد که چگونه ICA کار می‌کند. استون تنها با ارائه شواهد ریاضی ضروری، خواننده را از طریق کاوش در ویژگی های اساسی ICA راهنمایی می کند. موضوعات تحت پوشش شامل هندسه اختلاط و عدم اختلاط است. روش های جداسازی منبع کور؛ و کاربردهای ICA، از جمله مخلوط های صوتی، EEG، fMRI، و نظارت بر قلب جنین. ضمیمه ها یک آموزش ماتریس برداری، به علاوه کد کامپیوتری نمایشی اولیه را ارائه می دهند که به خواننده اجازه می دهد ببیند که چگونه هر روش ریاضی توضیح داده شده در متن به کد کامپیوتری Matlab در حال کار ترجمه می شود.

توضیحاتی درمورد کتاب به خارجی

Independent component analysis (ICA) is becoming an increasingly important tool for analyzing large data sets. In essence, ICA separates an observed set of signal mixtures into a set of statistically independent component signals, or source signals. In so doing, this powerful method can extract the relatively small amount of useful information typically found in large data sets. The applications for ICA range from speech processing, brain imaging, and electrical brain signals to telecommunications and stock predictions. In Independent Component Analysis, Jim Stone presents the essentials of ICA and related techniques (projection pursuit and complexity pursuit) in a tutorial style, using intuitive examples described in simple geometric terms. The treatment fills the need for a basic primer on ICA that can be used by readers of varying levels of mathematical sophistication, including engineers, cognitive scientists, and neuroscientists who need to know the essentials of this evolving method. An overview establishes the strategy implicit in ICA in terms of its essentially physical underpinnings and describes how ICA is based on the key observations that different physical processes generate outputs that are statistically independent of each other. The book then describes what Stone calls "the mathematical nuts and bolts" of how ICA works. Presenting only essential mathematical proofs, Stone guides the reader through an exploration of the fundamental characteristics of ICA. Topics covered include the geometry of mixing and unmixing; methods for blind source separation; and applications of ICA, including voice mixtures, EEG, fMRI, and fetal heart monitoring. The appendixes provide a vector matrix tutorial, plus basic demonstration computer code that allows the reader to see how each mathematical method described in the text translates into working Matlab computer code.

فهرست مطالب

Contents......Page 8
Preface......Page 12
Acknowledgments......Page 14
Abbreviations......Page 16
Mathematical Symbols......Page 18
I INDEPENDENT COMPONENT ANALYSIS AND BLIND SOURCE SEPARATION......Page 20
1 Overview of Independent Component Analysis......Page 24
2 Strategies for Blind Source Separation......Page 32
II THE GEOMETRY OF MIXTURES......Page 38
3 Mixing and Unmixing......Page 40
4 Unmixing Using the Inner Product......Page 50
5 Independence and Probability Density Functions......Page 70
III METHODS FOR BLIND SOURCE SEPARATION......Page 88
6 Projection Pursuit......Page 90
7 Independent Component Analysis......Page 98
8 Complexity Pursuit......Page 130
9 Gradient Ascent......Page 138
10 Principal Component Analysis and Factor Analysis......Page 148
IVAPPLICATIONS......Page 156
11 Applications of ICA......Page 158
VAPPENDICES......Page 168
A A Vector Matrix Tutorial......Page 170
B Projection Pursuit Gradient Ascent......Page 176
C Projection Pursuit: Stepwise Separation of Sources......Page 182
D ICA Gradient Ascent......Page 184
E Complexity Pursuit Gradient Ascent......Page 192
F Principal Component Analysis for Preprocessing Data......Page 198
G Independent Component Analysis Resources......Page 202
H Recommended Reading......Page 204
References......Page 206
Index......Page 210