Statistical Analysis for High-Dimensional Data: The Abel Symposium 2014

این کتاب شامل مشارکت‌های تحقیقاتی از سمپوزیوم آبل در مورد تجزیه و تحلیل آماری برای داده‌های با ابعاد بالا است که در Nyvågar، Lofoten، نروژ، در ماه مه 2014 برگزار شد.

تمرکز سمپوزیوم بر روی آمار بود. و روش‌های یادگیری ماشینی که به‌طور خاص برای استنتاج در موقعیت‌های «داده‌های بزرگ» با ارجاع خاص به کاربردهای ژنومی توسعه یافته‌اند. مشارکت‌کنندگان، که از برجسته‌ترین محققان نظریه آمار برای استنتاج با ابعاد بالا هستند، نظریه‌ها و روش‌های جدید و همچنین کاربردهای چالش برانگیز و راه‌حل‌های محاسباتی را ارائه می‌کنند. موضوعات خاص شامل، از جمله، انتخاب متغیر و غربالگری، رگرسیون جریمه‌شده، پراکندگی، آستانه‌سازی، ساختارهای کم‌بعد، چالش‌های محاسباتی، موقعیت‌های غیر محدب، یادگیری مدل‌های گرافیکی، کوواریانس پراکنده و ماتریس‌های دقیق، فرمول‌بندی‌های نیمه و ناپارامتریک، چندگانه است. آزمایش، طبقه‌بندی، مدل‌های عاملی، خوشه‌بندی، و پیش‌انتخاب.

با برجسته‌کردن تحقیقات پیشرفته و روشن کردن مسیرهای تحقیقاتی آینده، این مشارکت‌ها به دانشجویان فارغ‌التحصیل و محققان در زیست‌شناسی محاسباتی، آمار و جامعه یادگیری ماشینی کمک خواهد کرد. .

This book features research contributions from The Abel Symposium on Statistical Analysis for High Dimensional Data, held in Nyvågar, Lofoten, Norway, in May 2014.

The focus of the symposium was on statistical and machine learning methodologies specifically developed for inference in “big data” situations, with particular reference to genomic applications. The contributors, who are among the most prominent researchers on the theory of statistics for high dimensional inference, present new theories and methods, as well as challenging applications and computational solutions. Specific themes include, among others, variable selection and screening, penalised regression, sparsity, thresholding, low dimensional structures, computational challenges, non-convex situations, learning graphical models, sparse covariance and precision matrices, semi- and non-parametric formulations, multiple testing, classification, factor models, clustering, and preselection.

Highlighting cutting-edge research and casting light on future research directions, the contributions will benefit graduate students and researchers in computational biology, statistics and the machine learning community.