Robust Representation for Data Analytics: Models and Applications

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. سه نوع نمایش مشخصه قوی توسعه یافته است که درک نمودار، زیرفضا، و فرهنگ لغت را گسترش می دهد. نویسندگان با استفاده از تئوری مدل سازی با رتبه پایین و پراکنده، بازنمایی ویژگی های قوی را تحت پارادایم های مختلف یادگیری، از جمله یادگیری بدون نظارت، تحت نظارت توسعه می دهند. یادگیری، یادگیری نیمه نظارتی، یادگیری چند نمایه، یادگیری انتقالی، و یادگیری عمیق.بازنمودهای قوی برای تجزیه و تحلیل داده ها طیف وسیعی از کاربردها را در زمینه های تحقیقاتی داده های بزرگ، محاسبات انسان محور، پوشش می دهد. تشخیص الگو، بازاریابی دیجیتال، وب کاوی، و بینایی کامپیوتر.

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.