Open Problems in Spectral Dimensionality Reduction

در چند سال گذشته میزان داده‌های در دسترس دانشمندان افزایش زیادی داشته است، اما بسیاری از تکنیک‌های مورد استفاده برای تجزیه و تحلیل این داده‌ها نمی‌توانند با چنین مجموعه داده‌های بزرگی مقابله کنند. بنابراین، استراتژی ها باید به عنوان یک مرحله پیش پردازش برای کاهش تعداد اشیاء یا اندازه گیری ها و در عین حال حفظ اطلاعات مهم به کار گرفته شوند. کاهش ابعاد طیفی یکی از این ابزارها برای خط لوله پردازش داده است. الگوریتم‌ها و پیشرفت‌های متعددی به منظور انجام کاهش ابعاد طیفی پیشنهاد شده‌اند، اما هنوز تکنیک استاندارد طلایی وجود ندارد. این کتاب یک نظرسنجی و مرجع با هدف دانشجویان پیشرفته در مقطع کارشناسی و کارشناسی ارشد و همچنین محققان، دانشمندان و مهندسان در طیف گسترده ای از رشته ها ارائه می دهد. کاهش ابعاد در طیف گسترده‌ای از حوزه‌های مسئله مفید بوده است و بنابراین این کتاب برای هر کسی که پایه محکمی در آمار و علوم رایانه دارد که به دنبال اعمال ابعاد طیفی در کار خود هستند، قابل استفاده خواهد بود.

The last few years have seen a great increase in the amount of data available to scientists, yet many of the techniques used to analyse this data cannot cope with such large datasets. Therefore, strategies need to be employed as a pre-processing step to reduce the number of objects or measurements whilst retaining important information. Spectral dimensionality reduction is one such tool for the data processing pipeline. Numerous algorithms and improvements have been proposed for the purpose of performing spectral dimensionality reduction, yet there is still no gold standard technique. This book provides a survey and reference aimed at advanced undergraduate and postgraduate students as well as researchers, scientists, and engineers in a wide range of disciplines. Dimensionality reduction has proven useful in a wide range of problem domains and so this book will be applicable to anyone with a solid grounding in statistics and computer science seeking to apply spectral dimensionality to their work.