Unsupervised Feature Extraction Applied to Bioinformatics: A PCA Based and TD Based Approach

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.

• به خوانندگان اجازه می دهد تا مجموعه داده ها را با نمونه های کوچک و ویژگی های زیاد تجزیه و تحلیل کنند؛
• الگوریتمی سریع بر اساس جبر خطی برای تجزیه و تحلیل داده های بزرگ ارائه می دهد.
• li>
• شامل چندین برنامه کاربردی برای تجزیه و تحلیل داده‌های چند نمای با تمرکز بر بیوانفورماتیک است.

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.

• Allows readers to analyze data sets with small samples and many features;
• Provides a fast algorithm, based upon linear algebra, to analyze big data;
• Includes several applications to multi-view data analyses, with a focus on bioinformatics.