Spectral Learning on Matrices and Tensors
A monográfia szerzői áttekintik a spektrális módszerek, köztük a mátrix- és tenzorbontási technikák alkalmazásának legújabb eredményeit számos népszerű látens változó modell megtanulása terén. Körültekintő megvalósítással a tenzoralapú módszerek a gyakorlatban hatékonyan működnek, és sok esetben ezek az egyetlen olyan algoritmusok, amelyek bizonyíthatóan garantálják a futási időt és a minta komplexitását.
A hangsúly a tenzorbontás egy speciális típusán, az úgynevezett CP-dekompozíción van, és a szerzők az ilyen tenzorbontás összetevőinek megtalálására szolgáló algoritmusok széles körét fedik le. Kitérnek e dekompozíció hasznosságára is, áttekintve számos olyan valószínűségi modellt, amelyek ilyen tenzormódszerekkel tanulhatók.
A monográfia második fele a gyakorlati alkalmazásokkal foglalkozik. Ide tartozik a Tensorly, egy hatékony tenzoralgebra szoftvercsomag használata, amely egyszerű python interfésszel rendelkezik a tenzorműveletek kifejezésére. Emellett rugalmas háttérrendszerrel is rendelkezik, amely támogatja a NumPy, PyTorch, TensorFlow és MXNet programokat.
A Spectral Learning on Matrices and Tensors elméleti és gyakorlati bevezetést nyújt a spektrális tanulás tervezéséhez és alkalmazásához mind mátrixokon, mind tenzorokon. A könyv minden olyan hallgató, kutató és gyakorló szakember számára érdekes, aki a modern gépi tanulás problémáin dolgozik.