Unsupervised and Semi Supervised Learning Feature Extraction Applied to Bioinformatics

Dit boek biedt een diepgaande verkenning van de toepassingen van tensor-decompositie voor ongeleide feature-extractie en feature-selectie. De auteur belicht in detail geavanceerde technieken van tensor-decompositie, waaronder Tucker-decompositie met behulp van hogere-orde singular value decomposition (HOSVD) en hogere-orde orthogonale iteratie, evenals getrainde tensor-decompositie.

Ongeleide methoden versus geclassificeerde methoden

De auteur stelt dat, hoewel geclassificeerde methoden zoals deep learning de laatste jaren aan populariteit hebben gewonnen, ongeleide methoden unieke voordelen bieden. Dit komt volgens hem omdat ongeleide methoden, zoals tensor-decompositie, eenvoudig te leren zijn en gebruikmaken van conventionele lineaire methodologieën. Dit boek begint met de basisprincipes van lineaire algebra en leidt de lezer naar de meest geavanceerde methoden die toegepast kunnen worden in complexe situaties, zoals wanneer er veel kenmerken (variabelen) zijn, terwijl er slechts een klein aantal voorbeelden beschikbaar is.

Inhoud en structuur

Het boek omvat een uitgebreid spectrum aan technieken en toepassingen, met als doel lezers in staat te stellen datasets met een beperkt aantal voorbeelden en talrijke kenmerken effectief te analyseren. Daarnaast biedt het een snelle algoritme, gebaseerd op lineaire algebra, dat zeer geschikt is voor de analyse van grote datasets. De auteur presenteert daarnaast meerdere toepassingen in multi-view data-analyse, met een specifieke focus op bio-informatica.

Voordelen van het boek

• Lezers leren om datasets met een klein aantal samples en een groot aantal features te analyseren.
• Het boek biedt een scala aan algoritmen die gebaseerd zijn op de principes van lineaire algebra, waarmee snel en efficiënt met grote hoeveelheden data kan worden gewerkt.
• Het sluit af met een overzicht van ongeleide methoden en de brede toepassingen ervan op verschillende gebieden.

Dit boek is een waardevolle bron voor zowel academici als professionals die geïnteresseerd zijn in de mogelijkheden van tensor-decompositie in de context van data-analyse en machine learning. Het vormt een brug tussen fundamentele theoretische concepten en innovatieve toepassingen, en stelt lezers in staat om hun kennis van gegevensanalyse naar een hoger niveau te tillen. Met 555 pagina's aan inzichtelijke informatie, biedt de tweede editie van dit boek een actuele en uitgebreide handleiding voor het gebruik van tensor-decompositie in moderne datatechnieken.