Matrix Methods in Data Mining and Pattern Recognition

دسته بندی: سایبرنتیک: هوش مصنوعی
ویرایش:  
نویسندگان: Eldén L.  
سری:  
 
ناشر:  
سال نشر:  
تعداد صفحات: 234 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 4 مگابایت 

قیمت کتاب (تومان) : 42,000

Society for Industrial and Applied Mathematics, 2007, -234 pp. نسخه اول این کتاب مجموعه ای از یادداشت های سخنرانی برای دوره تحصیلات تکمیلی در مورد داده کاوی و کاربردها بود. در علم و فناوری که توسط مدرسه ملی سوئد تحصیلات تکمیلی در محاسبات علمی (NGSSC) سازماندهی شده است. از آن زمان این مواد برای دوره کارشناسی در مورد الگوریتم های عددی برای داده کاوی و فناوری اطلاعات در دانشگاه Link¨oping مورد استفاده قرار گرفته و بیشتر توسعه یافته است. این دومین دوره در محاسبات علمی برای دانشجویان علوم کامپیوتر است.
این کتاب عمدتاً برای دانشجویان مقطع کارشناسی که قبلا یک دوره مقدماتی محاسبات علمی/تحلیل عددی را گذرانده اند، در نظر گرفته شده است. همچنین ممکن است برای دانشجویان اولیه فارغ التحصیل در زمینه های مختلف داده کاوی و تشخیص الگو که نیاز به مقدمه ای بر تکنیک های جبر خطی دارند مفید باشد.
هدف این کتاب نشان دادن این است که چندین تکنیک جبر خطی عددی بسیار قدرتمند برای حل وجود دارد. مشکلات در زمینه های مختلف داده کاوی و تشخیص الگو. برای دستیابی به این هدف، ارائه مطالبی فراتر از آنچه معمولاً در اولین دوره محاسبات علمی (تحلیل عددی) در دانشگاه سوئد پوشش داده می شود، ضروری است. از سوی دیگر، از آنجایی که کتاب کاربردی گرا است، نمی توان در مورد جنبه های ریاضی و عددی الگوریتم های جبر خطی استفاده شده، به بررسی جامعی پرداخت.
کتاب دارای سه بخش است. پس از یک مقدمه کوتاه به چند حوزه داده کاوی و تشخیص الگو، مفاهیم جبر خطی و تجزیه ماتریس ارائه شده است. امیدوارم این کافی باشد تا دانش آموز از تجزیه ماتریس در محیط های حل مسئله مانند متلب استفاده کند. برخی از اثبات های ریاضی ارائه شده است، اما تاکید بر وجود و ویژگی های تجزیه ماتریس به جای نحوه محاسبه آنها است. در بخش دوم، تکنیک های جبر خطی برای مسائل داده کاوی اعمال می شود. به طور طبیعی، مجموعه داده کاوی و تشخیص الگو کاملاً محدود است: من حوزه‌های مسئله‌ای را انتخاب کرده‌ام که برای تکنیک‌های جبر خطی مناسب هستند. به منظور استفاده هوشمندانه از نرم افزار قدرتمند برای محاسبه تجزیه ماتریس های موجود در متلب و غیره، درک درستی از الگوریتم های اساسی ضروری است. مقدمه بسیار کوتاهی برای الگوریتم‌های ارزش ویژه و مقادیر تکین در بخش سوم آورده شده است.
من جاه طلبی برای نوشتن کتابی از دستور العمل ها را نداشته ام: با توجه به یک مشکل خاص، در اینجا یک الگوریتم برای حل آن وجود دارد. این امر دشوار خواهد بود، زیرا منطقه بسیار متنوع است که نمی‌تواند راه‌حل‌های واضح و ساده ارائه کند. در عوض، قصد من این بوده است که مجموعه‌ای از ابزارها را در اختیار دانش‌آموز قرار دهم که ممکن است آن‌طور که هستند امتحان شوند، اما به احتمال زیاد، باید اصلاح شوند تا برای یک برنامه خاص مفید باشند. برخی از روش های کتاب با استفاده از اسکریپت های متلب توضیح داده شده است. آنها نباید به عنوان الگوریتم های جدی در نظر گرفته شوند، بلکه باید به عنوان شبه کدهایی که برای اهداف تصویری ارائه شده اند در نظر گرفته شوند.
مجموعه ای از تمرین ها و تکالیف رایانه ای در صفحه وب کتاب موجود است: www.siam.org/books/fa04. I مفاهیم جبر خطی و تجزیه ماتریس
بردارها و ماتریس ها در داده کاوی و تشخیص الگوی
بردارها و ماتریس ها
سیستم‌های خطی و حداقل مربعات
متعامد
تجزیه QR
تجزیه مقدار منفرد
مدل‌های حداقل مربعات با رتبه کاهش یافته
تجزیه تانسور
خوشه‌بندی و فاکتورسازی ماتریس غیرمنفی
II برنامه های داده کاوی
طبقه بندی ارقام دست نویس
متن کاوی
رتبه بندی صفحه برای موتور جستجوی وب
کلید کلمه و جملات کلیدی خودکار استخراج
br/>تشخیص چهره با استفاده از تانسور SVD
III محاسبه تجزیه ماتریس
محاسبه مقادیر ویژه و مقادیر تکین

Society for Industrial and Applied Mathematics, 2007, -234 pp. The first version of this book was a set of lecture notes for a graduate course on data mining and applications in science and technology organized by the Swedish National Graduate School in Scientific Computing (NGSSC). Since then the material has been used and further developed for an undergraduate course on numerical algorithms for data mining and IT at Link¨oping University. This is a second course in scientific computing for computer science students.
The book is intended primarily for undergraduate students who have previously taken an introductory scientific computing/numerical analysis course. It may also be useful for early graduate students in various data mining and pattern recognition areas who need an introduction to linear algebra techniques.
The purpose of the book is to demonstrate that there are several very powerful numerical linear algebra techniques for solving problems in different areas of data mining and pattern recognition. To achieve this goal, it is necessary to present material that goes beyond what is normally covered in a first course in scientific computing (numerical analysis) at a Swedish university. On the other hand, since the book is application oriented, it is not possible to give a comprehensive treatment of the mathematical and numerical aspects of the linear algebra algorithms used.
The book has three parts. After a short introduction to a couple of areas of data mining and pattern recognition, linear algebra concepts and matrix decompositions are presented. I hope that this is enough for the student to use matrix decompositions in problem-solving environments such as MATLAB. Some mathematical proofs are given, but the emphasis is on the existence and properties of the matrix decompositions rather than on how they are computed. In Part II, the linear algebra techniques are applied to data mining problems. Naturally, the data mining and pattern recognition repertoire is quite limited: I have chosen problem areas that are well suited for linear algebra techniques. In order to use intelligently the powerful software for computing matrix decompositions available in MATLAB, etc., some understanding of the underlying algorithms is necessary. A very short introduction to eigenvalue and singular value algorithms is given in Part III.
I have not had the ambition to write a book of recipes: given a certain problem, here is an algorithm for its solution. That would be difficult, as the area is far too diverse to give clear-cut and simple solutions. Instead, my intention has been to give the student a set of tools that may be tried as they are but, more likely, that will need to be modified to be useful for a particular application. Some of the methods in the book are described using MATLAB scripts. They should not be considered as serious algorithms but rather as pseudocodes given for illustration purposes.
A collection of exercises and computer assignments are available at the book’s Web page: www.siam.org/books/fa04. I Linear Algebra Concepts and Matrix Decompositions
Vectors and Matrices in Data Mining and Pattern Recognition
Vectors and Matrices
Linear Systems and Least Squares
Orthogonality
QR Decomposition
Singular Value Decomposition
Reduced-Rank Least Squares Models
Tensor Decomposition
Clustering and Nonnegative Matrix Factorization
II Data Mining Applications
Classification of Handwritten Digits
Text Mining
Page Ranking for a Web Search Engine
Automatic Key Word and Key Sentence Extraction
Face Recognition Using Tensor SVD
III Computing the Matrix Decompositions
Computing Eigenvalues and Singular Values