Unsupervised Learning Approaches for Dimensionality Reduction and Data Visualization

رویکردهای یادگیری بدون نظارت برای کاهش ابعاد و داده تجسم الگوریتم‌هایی مانند تعبیه خطی محلی (LLE)، نقشه‌های ویژه لاپلاسی، ایزومپ، جاسازی نیمه معین، و t-SNE را برای حل مشکل کاهش ابعاد توصیف می‌کند. مورد روابط غیر خطی در داده ها. مفاهیم اساسی ریاضی، مشتقات، و برهان ها با توضیحات منطقی برای این الگوریتم ها، از جمله نقاط قوت و محدودیت ها مورد بحث قرار می گیرند. این کتاب موارد استفاده مهم از این الگوریتم‌ها را برجسته می‌کند و مثال‌هایی را همراه با تجسم ارائه می‌دهد. مطالعه تطبیقی ​​الگوریتم‌ها ارائه شده است تا ایده روشنی در مورد انتخاب بهترین الگوریتم مناسب برای یک مجموعه داده معین برای کاهش ابعاد کارآمد و تجسم داده ارائه شود.

ویژگی ها

• نشان می دهد که چگونه می توان از رویکردهای یادگیری بدون نظارت برای کاهش ابعاد استفاده کرد
• الگوریتم ها را با تمرکز بر مبانی و مفاهیم اساسی ریاضی توضیح می دهد
• مطالعه تطبیقی ​​الگوریتم ها را توصیف می کند و درباره زمان و مکان هر الگوریتم بحث می کند. بهترین مناسب برای استفاده
• موارد استفاده، مثال‌های گویا و تجسم‌سازی هر الگوریتم را ارائه می‌دهد
• به تجسم و ایجاد نمایش های فشرده از داده های با ابعاد بالا و پیچیده برای کاربردهای مختلف دنیای واقعی و تجزیه و تحلیل داده کمک می کند

این کتاب برای متخصصان، دانشجویان فارغ التحصیل و محققان علوم و مهندسی کامپیوتر، علوم داده، یادگیری ماشین، بینایی کامپیوتر، داده کاوی، یادگیری عمیق، فیلتر داده‌های حسگر، استخراج ویژگی برای سیستم‌های کنترل و ابزار پزشکی طراحی شده است. استخراج ورودی.

Unsupervised Learning Approaches for Dimensionality Reduction and Data Visualization describes such algorithms as Locally Linear Embedding (LLE), Laplacian Eigenmaps, Isomap, Semidefinite Embedding, and t-SNE to resolve the problem of dimensionality reduction in the case of non-linear relationships within the data. Underlying mathematical concepts, derivations, and proofs with logical explanations for these algorithms are discussed, including strengths and limitations. The book highlights important use cases of these algorithms and provides examples along with visualizations. Comparative study of the algorithms is presented to give a clear idea on selecting the best suitable algorithm for a given dataset for efficient dimensionality reduction and data visualization.

FEATURES

• Demonstrates how unsupervised learning approaches can be used for dimensionality reduction
• Neatly explains algorithms with a focus on the fundamentals and underlying mathematical concepts
• Describes the comparative study of the algorithms and discusses when and where each algorithm is best suitable for use
• Provides use cases, illustrative examples, and visualizations of each algorithm
• Helps visualize and create compact representations of high dimensional and intricate data for various real-world applications and data analysis

This book is aimed at professionals, graduate students, and researchers in Computer Science and Engineering, Data Science, Machine Learning, Computer Vision, Data Mining, Deep Learning, Sensor Data Filtering, Feature Extraction for Control Systems, and Medical Instruments Input Extraction.