دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Robust Representation for Data Analytics. Models and Applications
دانلود کتاب نمایندگی قوی برای تجزیه و تحلیل داده ها. مدل ها و برنامه های کاربردی
مشخصات کتاب
Robust Representation for Data Analytics. Models and Applications
ویرایش:
نویسندگان: Sheng Li. Yun Fu
سری:
ISBN (شابک) : 9783319601762
ناشر: Springer
سال نشر: 2017
تعداد صفحات: 226
زبان: engliah
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 4 مگابایت
قیمت کتاب (تومان) : 58,000
در صورت تبدیل فایل کتاب Robust Representation for Data Analytics. Models and Applications 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 نمایندگی قوی برای تجزیه و تحلیل داده ها. مدل ها و برنامه های کاربردی 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 نمایندگی قوی برای تجزیه و تحلیل داده ها. مدل ها و برنامه های کاربردی
این کتاب مفاهیم و مدل‌های یادگیری بازنمایی قوی را معرفی می‌کند و مجموعه‌ای از راه‌حل‌ها را برای مقابله با وظایف تحلیل داده‌های دنیای واقعی، مانند خوشه‌بندی، طبقه‌بندی، مدل‌سازی سری‌های زمانی، تشخیص پرت، فیلتر مشارکتی، تشخیص جامعه و غیره ارائه می‌کند. انواع نمایش ویژگی های قوی توسعه یافته اند که درک نمودار، زیرفضا و فرهنگ لغت را گسترش می دهند. نویسندگان با استفاده از تئوری مدل‌سازی با رتبه پایین و پراکنده، بازنمایی‌های ویژگی قوی را تحت پارادایم‌های یادگیری مختلف، از جمله یادگیری بدون نظارت، یادگیری تحت نظارت، یادگیری نیمه نظارتی، یادگیری چند نمایه، یادگیری انتقالی و یادگیری عمیق توسعه می‌دهند. بازنمایی قوی برای تجزیه و تحلیل داده ها طیف گسترده ای از برنامه های کاربردی را در زمینه های تحقیقاتی داده های بزرگ، محاسبات انسان محور، تشخیص الگو، بازاریابی دیجیتال، وب کاوی و بینایی کامپیوتر پوشش می دهد.
توضیحاتی درمورد کتاب به خارجی
This book introduces the concepts and models of robust representation learning, and provides a set of solutions to deal with real-world data analytics tasks, such as clustering, classification, time series modeling, outlier detection, collaborative filtering, community detection, etc. Three types of robust feature representations are developed, which extend the understanding of graph, subspace, and dictionary. Leveraging the theory of low-rank and sparse modeling, the authors develop robust feature representations under various learning paradigms, including unsupervised learning, supervised learning, semi-supervised learning, multi-view learning, transfer learning, and deep learning. Robust Representations for Data Analytics covers a wide range of applications in the research fields of big data, human-centered computing, pattern recognition, digital marketing, web mining, and computer vision.
فهرست مطالب
Content: Preface
Contents
1 Introduction
1.1 What Are Robust Data Representations?
1.2 Organization of the Book
Part I Robust Representation Models
2 Fundamentals of Robust Representations
2.1 Representation Learning Models
2.1.1 Subspace Learning
2.1.2 Multi-view Subspace Learning
2.1.3 Dictionary Learning
2.2 Robust Representation Learning
2.2.1 Subspace Clustering
2.2.2 Low-Rank Modeling
References
3 Robust Graph Construction
3.1 Overview
3.2 Existing Graph Construction Methods
3.2.1 Unbalanced Graphs and Balanced Graph
3.2.2 Sparse Representation Based Graphs. 3.2.3 Low-Rank Learning Based Graphs3.3 Low-Rank Coding Based Unbalanced Graph Construction
3.3.1 Motivation
3.3.2 Problem Formulation
3.3.3 Optimization
3.3.4 Complexity Analysis
3.3.5 Discussions
3.4 Low-Rank Coding Based Balanced Graph Construction
3.4.1 Motivation and Formulation
3.4.2 Optimization
3.5 Learning with Graphs
3.5.1 Graph Based Clustering
3.5.2 Transductive Semi-supervised Classification
3.5.3 Inductive Semi-supervised Classification
3.6 Experiments
3.6.1 Databases and Settings
3.6.2 Spectral Clustering with Graph. 3.6.3 Semi-supervised Classification with Graph3.6.4 Discussions
3.7 Summary
References
4 Robust Subspace Learning
4.1 Overview
4.2 Supervised Regularization Based Robust Subspace (SRRS)
4.2.1 Problem Formulation
4.2.2 Theoretical Analysis
4.2.3 Optimization
4.2.3.1 Learn Subspace P on Fixed Low-Rank Representations
4.2.3.2 Learn Low-Rank Representations Z on Fixed Subspace
4.2.4 Algorithm and Discussions
4.3 Experiments
4.3.1 Object Recognition with Pixel Corruption
4.3.2 Face Recognition with Illumination and Pose Variation
4.3.3 Face Recognition with Occlusions. 4.3.4 Kinship Verification4.3.5 Discussions
4.4 Summary
References
5 Robust Multi-view Subspace Learning
5.1 Overview
5.2 Problem Definition
5.3 Multi-view Discriminative Bilinear Projection (MDBP)
5.3.1 Motivation
5.3.2 Formulation of MDBP
5.3.2.1 Learning Shared Representations Across Views
5.3.2.2 Incorporating Discriminative Regularization
5.3.2.3 Modeling Temporal Smoothness
5.3.2.4 Objective Function
5.3.3 Optimization Algorithm
5.3.3.1 Time Complexity Analysis
5.3.4 Comparison with Existing Methods
5.4 Experiments
5.4.1 UCI Daily and Sports Activity Dataset. 5.4.1.1 Two-View Setting5.4.1.2 Baselines
5.4.1.3 Classification Scheme
5.4.1.4 Results
5.4.2 Multimodal Spoken Word Dataset
5.4.2.1 Three-View Setting
5.4.2.2 Results
5.4.3 Discussions
5.4.3.1 Parameter Sensitivity and Convergence
5.4.3.2 Experiments with Data Fusion and Feature Fusion
5.5 Summary
References
6 Robust Dictionary Learning
6.1 Overview
6.2 Self-Taught Low-Rank (S-Low) Coding
6.2.1 Motivation
6.2.2 Problem Formulation
6.2.3 Optimization
6.2.4 Algorithm and Discussions
6.3 Learning with S-Low Coding
6.3.1 S-Low Clustering
6.3.2 S-Low Classification.
