دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش: 1st ed. 2020
نویسندگان: Y-h. Taguchi
سری: Unsupervised and Semi-Supervised Learning
ISBN (شابک) : 9783030224554, 9783030224561
ناشر: Springer International Publishing
سال نشر: 2020
تعداد صفحات: 329
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 8 مگابایت
کلمات کلیدی مربوط به کتاب استخراج ویژگی بدون نظارت اعمال شده در بیوانفورماتیک: یک رویکرد مبتنی بر PCA و مبتنی بر TD: مهندسی، مهندسی ارتباطات، شبکه ها، زیست شناسی محاسباتی/بیوانفورماتیک، سیگنال، پردازش تصویر و گفتار، بیوانفورماتیک، تشخیص الگو، داده کاوی و کشف دانش
در صورت تبدیل فایل کتاب Unsupervised Feature Extraction Applied to Bioinformatics: A PCA Based and TD Based Approach 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 استخراج ویژگی بدون نظارت اعمال شده در بیوانفورماتیک: یک رویکرد مبتنی بر PCA و مبتنی بر TD 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.
این کتاب کاربردهای تجزیه تانسور را برای استخراج ویژگی بدون نظارت و انتخاب ویژگی پیشنهاد میکند. نویسنده معتقد است که اگرچه روشهای نظارت شده از جمله یادگیری عمیق رایج شدهاند، روشهای بدون نظارت مزایای خاص خود را دارند. او استدلال می کند که این مورد است زیرا روش های بدون نظارت آسان برای یادگیری هستند زیرا تجزیه تانسور یک روش خطی مرسوم است. این کتاب از جبر خطی بسیار ابتدایی شروع میشود و به روشهای پیشرفتهای میرسد که در موقعیتهای دشوار زمانی که ویژگیها (متغیرهای) زیادی وجود دارد در حالی که تعداد کمی از نمونهها در دسترس است، استفاده میشود. نویسنده شامل توضیحات پیشرفته ای در مورد تجزیه تانسور از جمله تجزیه تاکر با استفاده از تجزیه ارزش مفرد مرتبه بالا و همچنین تکرار متعامد مرتبه بالاتر و تجزیه تنور قطار است. نویسنده با نشان دادن روش های بدون نظارت و کاربرد آنها در طیف گسترده ای از موضوعات نتیجه گیری می کند.
This book proposes applications of tensor decomposition to unsupervised feature extraction and feature selection. The author posits that although supervised methods including deep learning have become popular, unsupervised methods have their own advantages. He argues that this is the case because unsupervised methods are easy to learn since tensor decomposition is a conventional linear methodology. This book starts from very basic linear algebra and reaches the cutting edge methodologies applied to difficult situations when there are many features (variables) while only small number of samples are available. The author includes advanced descriptions about tensor decomposition including Tucker decomposition using high order singular value decomposition as well as higher order orthogonal iteration, and train tenor decomposition. The author concludes by showing unsupervised methods and their application to a wide range of topics.
Front Matter ....Pages i-xviii
Front Matter ....Pages 1-1
Introduction to Linear Algebra (Y-h. Taguchi)....Pages 3-22
Matrix Factorization (Y-h. Taguchi)....Pages 23-45
Tensor Decomposition (Y-h. Taguchi)....Pages 47-78
Front Matter ....Pages 79-79
PCA Based Unsupervised FE (Y-h. Taguchi)....Pages 81-102
TD Based Unsupervised FE (Y-h. Taguchi)....Pages 103-116
Front Matter ....Pages 117-117
Applications of PCA Based Unsupervised FE to Bioinformatics (Y-h. Taguchi)....Pages 119-211
Application of TD Based Unsupervised FE to Bioinformatics (Y-h. Taguchi)....Pages 213-296
Back Matter ....Pages 297-321