توضیحاتی در مورد کتاب Bayesian Tensor Decomposition for Signal Processing and Machine Learning: Modeling, Tuning-Free Algorithms, and Applications
نام کتاب : Bayesian Tensor Decomposition for Signal Processing and Machine Learning: Modeling, Tuning-Free Algorithms, and Applications
عنوان ترجمه شده به فارسی : تجزیه تانسور بیزی برای پردازش سیگنال و یادگیری ماشین: مدلسازی، الگوریتمهای بدون تنظیم و کاربردها
سری :
نویسندگان : Lei Cheng, Zhongtao Chen, Yik-Chung Wu
ناشر : Springer
سال نشر : 2023
تعداد صفحات : 188
[189]
ISBN (شابک) : 303122437X , 9783031224379
زبان کتاب : English
فرمت کتاب : pdf
حجم کتاب : 4 Mb
بعد از تکمیل فرایند پرداخت لینک دانلود کتاب ارائه خواهد شد. درصورت ثبت نام و ورود به حساب کاربری خود قادر خواهید بود لیست کتاب های خریداری شده را مشاهده فرمایید.
توضیحاتی در مورد کتاب :
این کتاب پیشرفتهای اخیر استنتاج بیزی در تجزیه تانسور ساختاریافته را ارائه میکند. این توضیح میدهد که چگونه مدلسازی و استنتاج بیزی منجر به الگوریتمهای تجزیه تانسور بدون تنظیم میشود، که در بسیاری از کاربردها، از جمله
- عملکردهای پیشرفتهای را به دست میآورند. جداسازی منابع کور؛
- کاوش شبکه اجتماعی؛
- پردازش تصویر و ویدئو؛
- پردازش سیگنال آرایه. و
- ارتباطات بی سیم.
کتاب با مقدمه ای بر مباحث کلی تانسورها و نظریه های بیزی آغاز می شود. سپس مدلهای احتمالی تجزیههای مختلف تانسور ساختاریافته و الگوریتمهای استنتاج آنها را مورد بحث قرار میدهد، با کاربردهایی که برای هر تجزیه تانسور ارائه شده در فصلهای مربوطه ارائه شدهاند. این کتاب با نگاه به آینده و زمینههایی که این تحقیق میتواند بیشتر توسعه یابد، به پایان میرسد.
تجزیه تانسور بیزی برای پردازش سیگنال و یادگیری ماشین برای فارغالتحصیلان و محققانی که علاقهمند به تجزیه و تحلیل دادههای تانسور و روشهای بیزی هستند، مناسب است.
توضیحاتی در مورد کتاب به زبان اصلی :
This book presents recent advances of Bayesian inference in structured tensor decompositions. It explains how Bayesian modeling and inference lead to tuning-free tensor decomposition algorithms, which achieve state-of-the-art performances in many applications, including
- blind source separation;
- social network mining;
- image and video processing;
- array signal processing; and,
- wireless communications.
The book begins with an introduction to the general topics of tensors and Bayesian theories. It then discusses probabilistic models of various structured tensor decompositions and their inference algorithms, with applications tailored for each tensor decomposition presented in the corresponding chapters. The book concludes by looking to the future, and areas where this research can be further developed.
Bayesian Tensor Decomposition for Signal Processing and Machine Learning is suitable for postgraduates and researchers with interests in tensor data analytics and Bayesian methods.