Matrices no negativas y factorizaciones tensoriales: Aplicaciones al análisis exploratorio de datos multidireccionales y a la separación ciega de fuentes

Opiniones de los lectores

El libro es muy apreciado por su exhaustivo estudio de las técnicas de factorización de matrices no negativas, con numerosos ejemplos y código. Sirve tanto de introducción básica como de guía práctica para conceptos avanzados, aunque tiene algunas incoherencias y podría beneficiarse de más ejemplos prácticos.

Grandes ejemplos y variedad, útil colección de técnicas, presentación completa y minuciosa, comienza con lo básico y avanza hasta las aplicaciones prácticas, conciso y fácil de seguir.

Algunas incoherencias en el texto, asume familiaridad con las compensaciones de algoritmos, carece de ejemplos prácticos en algunas áreas.

(basado en 4 opiniones de lectores)

Título original:

Nonnegative Matrix and Tensor Factorizations: Applications to Exploratory Multi-Way Data Analysis and Blind Source Separation

Contenido del libro:

Este libro ofrece un amplio estudio de modelos y algoritmos eficaces para la factorización de matrices no negativas (NMF). Incluye las diversas extensiones y modificaciones de la NMF, especialmente las factorizaciones tensoriales no negativas (NTF) y las descomposiciones no negativas de Tucker (NTD). Las NMF/NTF y sus extensiones se utilizan cada vez más como herramientas en el procesamiento de señales e imágenes y en el análisis de datos, y han despertado interés debido a su capacidad para proporcionar nuevos conocimientos e información relevante sobre las complejas relaciones latentes en conjuntos de datos experimentales. Se sugiere que el NMF puede proporcionar componentes significativos con interpretaciones físicas.

Por ejemplo, en bioinformática, los NMF y sus extensiones se han aplicado con éxito a la expresión génica, el análisis de secuencias, la caracterización funcional de genes, la agrupación y la minería de textos. Por ello, los autores se centran en los algoritmos más útiles en la práctica, considerando los más rápidos, robustos y adecuados para modelos a gran escala.

Características principales

⬤ Actúa como guía de referencia única sobre NMF, recopilando información ampliamente dispersa en la literatura actual, incluidas las técnicas recientemente desarrolladas por los propios autores en la materia.

⬤ Utiliza funciones de coste generalizadas, como las de Bregman, Alfa y Betadivergencias, para presentar aplicaciones prácticas de varios tipos de algoritmos robustos, en particular los algoritmos Multiplicativo, de Mínimos Cuadrados Alternos, de Gradiente Proyectado y de Quasi Newton.

⬤ Proporciona un análisis comparativo de los diferentes métodos para identificar el error de aproximación y la complejidad.

⬤ Incluye pseudocódigos y códigos fuente MATLAB optimizados para casi todos los algoritmos presentados en el libro.

El creciente interés por las factorizaciones de matrices no negativas y tensoriales, así como por las descomposiciones y la representación dispersa de datos, hará que este libro sea una lectura esencial para ingenieros, científicos, investigadores, profesionales de la industria y estudiantes de posgrado en procesamiento de señales e imágenes.

Neurociencia.

Minería y análisis de datos.

Informática.

Bioinformática.

Procesamiento del habla.

Ingeniería biomédica.

Y multimedia.