Értékelés:
A könyv nagyra értékelt a nemnegatív mátrix faktorizálási technikák alapos feltárása miatt, számos példával és kóddal. Egyszerre szolgál alapozó bevezetésként és a haladó koncepciók gyakorlati útmutatójaként, bár van néhány következetlensége, és több gyakorlati példát is tartalmazhatna.
Előnyök:Nagyszerű példák és változatosság, hasznos technikagyűjtemény, átfogó és alapos bemutatás, az alapokkal kezdődik és a gyakorlati alkalmazások felé halad, tömör és könnyen követhető.
Hátrányok:Néhány következetlenség a szövegben, feltételezi az algoritmusok kompromisszumainak ismeretét, néhány területen hiányoznak a gyakorlati példák.
(4 olvasói vélemény alapján)
Nonnegative Matrix and Tensor Factorizations: Applications to Exploratory Multi-Way Data Analysis and Blind Source Separation
Ez a könyv széles körű áttekintést nyújt a nemnegatív mátrixfaktorizáció (NMF) modelljeiről és hatékony algoritmusairól. Ez magában foglalja az NMF különböző kiterjesztéseit és módosításait, különösen a Nonnegatív Tenzor Faktorizációt (NTF) és a Nonnegatív Tucker Dekompozíciót (NTD). Az NMF/NTF és kiterjesztéseik egyre gyakrabban használt eszközök a jel- és képfeldolgozásban, valamint az adatelemzésben, és az érdeklődésüket az váltotta ki, hogy képesek új betekintést és releváns információt nyújtani a kísérleti adathalmazok összetett látens összefüggéseiről. A javaslat szerint az NMF fizikai értelmezéssel rendelkező, értelmes komponenseket biztosíthat.
A bioinformatika területén például az NMF-et és annak kiterjesztéseit sikeresen alkalmazták a génexpresszió, a szekvenciaelemzés, a gének funkcionális jellemzése, a klaszterezés és a szövegbányászat területén. Mint ilyenek, a szerzők a gyakorlatban leghasznosabb algoritmusokra összpontosítanak, megvizsgálva a leggyorsabb, legrobosztusabb és nagyméretű modellekhez alkalmas algoritmusokat.
Főbb jellemzők:
⬤ Az NMF egyetlen forrásból származó referenciakalauzaként szolgál, amely összegyűjti a jelenlegi szakirodalomban széles körben szétszórt információkat, beleértve a szerzők saját, a közelmúltban kifejlesztett technikáit is a témakörben.
⬤ Az általánosított költségfüggvényeket, például a Bregman-, az Alfa- és a Betadivergenciákat használja, hogy bemutassa többféle robusztus algoritmus gyakorlati megvalósítását, különösen a Multiplikatív, az Alternáló legkisebb négyzetek, a Projektált gradiens és a Quasi Newton algoritmusokét.
⬤ Megadja a különböző módszerek összehasonlító elemzését a közelítési hiba és a komplexitás meghatározása érdekében.
⬤ Majdnem minden, a könyvben bemutatott algoritmushoz tartalmaz pszeudokódokat és optimalizált MATLAB forráskódokat.
A nemnegatív mátrixok és tenzorfaktorizációk, valamint a dekompozíciók és a ritka adatok reprezentációja iránti növekvő érdeklődés biztosítja, hogy ez a könyv a jel- és képfeldolgozásban dolgozó mérnökök, tudósok, kutatók, ipari szakemberek és egyetemi hallgatók számára nélkülözhetetlen olvasmány legyen.
Idegtudomány.
Adatbányászat és adatelemzés.
Számítástechnika.
Bioinformatika.
Beszédfeldolgozás.
Biomérnöki tudományok.
És multimédia.
