Cantitate/Preț
Produs
Total produse
Vezi coșul
Multi-aspect Learning de Richi Nayak

Multi-aspect Learning: Intelligent Systems Reference Library, cartea 242

Autor Richi Nayak, Khanh Luong
en Limba Engleză Paperback – 29 iul 2024

În ecosistemul cercetării actuale în inteligență artificială, Multi-aspect Learning se distinge ca o resursă tehnică riguroasă ce explorează intersecția dintre factorizarea matricială, spectral clustering și rețelele neuronale profunde. Descoperim aici o analiză exhaustivă a modului în care datele complexe, provenite din surse multiple sau cu perspective diverse, pot fi sintetizate prin tehnici de reprezentare pentru clustering nesupravegheat. Volumul, publicat de Springer, este primul care sistematizează acest domeniu emergent, oferind un cadru teoretic solid pentru algoritmii de tip manifold learning utilizați în reducerea dimensionalității.

Notăm cu interes modul în care autorii, Richi Nayak și Khanh Luong, abordează provocările specifice datelor multi-aspect, precum consistența și complementaritatea informației. Ca și Shiliang Sun în Multiview Machine Learning, autorii distilează experiență reală în principii acționabile, însă pun un accent inedit pe integrarea tehnicilor de subspace learning și a metodelor bazate pe deep learning pentru a depăși limitările modelelor liniare clasice. Structura cărții urmărește o progresie logică: de la fundamentele factorizării matriciale non-negative (NMF) în capitolele incipiente, până la consensul informațional și arhitecturile complexe de învățare profundă în capitolele finale.

Această lucrare consolidează contribuțiile anterioare ale lui Richi Nayak, vizibile în volume precum Recent Advancements in Artificial Intelligence, unde explorarea inovațiilor în data science era tema centrală. Dacă în lucrările precedente accentul cădea pe peisajul general al AI, Multi-aspect Learning rafinează această viziune, concentrându-se pe mecanismele interne ale reprezentării datelor. Găsim în această carte nu doar o trecere în revistă a literaturii de specialitate, ci și o identificare clară a lacunelor de cercetare, oferind astfel o foaie de parcurs pentru specialiștii care dezvoltă sisteme inteligente de analiză a bazelor de date complexe.

Citește tot Restrânge

Din seria Intelligent Systems Reference Library

Preț: 103650 lei

Preț vechi: 129561 lei
-20%

Puncte Express: 1555
Paperback 103650 lei
Hardback 100620 lei

Carte tipărită la comandă

Livrare economică 06-12 octombrie

Livrare prin curier în România Termenul estimat este afișat lângă disponibilitate.
Transport gratuit pentru acest produs Plată online sau ramburs, în funcție de opțiunile comenzii.
Retur gratuit în 14 zile Comandă securizată și suport în română.
 Adaugă în coș

Wish list
Gift list
Am citit!
Adaugă în listă

Specificații

ISBN-13: 9783031335624
ISBN-10: 3031335627
Pagini: 192
Dimensiuni: 155 x 235 x 11 mm
Greutate: 0.34 kg
Editura: Springer
Colecția Intelligent Systems Reference Library
Seria Intelligent Systems Reference Library

De ce să citești această carte

Recomandăm această carte cercetătorilor și inginerilor de date care doresc să stăpânească tehnici avansate de clustering pentru seturi de date eterogene. Cititorul câștigă o înțelegere profundă a metodelor de integrare a datelor din perspective multiple, esențială pentru optimizarea modelelor de învățare nesupravegheată. Este un ghid indispensabil pentru cei care vor să implementeze algoritmi de ultimă generație în sisteme de baze de date inteligente.

Despre autor

Richi Nayak și Khanh Luong sunt cercetători recunoscuți în domeniul informaticii, cu o expertiză vastă în inteligență artificială și minerit de date. Richi Nayak a coordonat numeroase volume academice, inclusiv lucrări prezentate la conferințe internaționale prestigioase precum ICRAAI și ACTET, concentrându-se pe inovațiile tehnice în computing și securitatea rețelelor. Activitatea lor academică este strâns legată de dezvoltarea unor soluții practice pentru provocările actuale din industria IT, contribuind semnificativ la literatura de specialitate prin studii dedicate algoritmilor de învățare și procesării volumelor mari de date.

Notă biografică

Richi Nayak is a Professor at the School of Computer Science and Leader of the Complex Data Analysis Program at the Centre of Data Science at Queensland University of Technology, Brisbane Australia. She has gained international recognition for her expertise in machine learning, data mining and text mining. Her research has resulted in significant advancements in clustering, deep neural networks, social media mining, recommender systems, multi-view learning and tensor/matrix factorization. She is highly passionate about addressing societal issues by applying her machine learning and AI innovation and fundamental research. She regularly consults with private, public and government agencies on various machine learning projects, many of which have been commercialised. Her research contributions have led to novel solutions for problems in Digital Marketing, K-12 Education, Digital Agriculture and Digital Humanities. She has authored more than 250 high-quality refereed publications that have been cited over 4000 citations, with an h-index of 33. She has been recognized for her research leadership with several best paper awards and nominations at international conferences, QUT Postgraduate Research Supervision awards, and the 2016 Women in Technology (WiT) Infotech Outstanding Achievement Award in Australia. She also serves as a Steering committee member of the Australasian Data Mining and Machine Learning Conference and as the editorial chief of the International Journal of Data Mining and Digital Humanities. She holds a PhD in Computer Science from the Queensland University of Technology and a Masters in Engineering from the Indian Institute of Technology Roorkee, India. Khanh Luong obtained her PhD in Computer Science specializing in Data Science from Queensland University of Technology (QUT) in 2019. Afterwards, she worked as a Postdoctoral Researcher in Data Science at the QUT Centre for Data Science, where her research focused on addressing the challenges of dealing with multiple aspect data. Her research has made significant contributions to the fields of machine learning and data mining by developing innovative methods ready to be deployed on real-world datasets, ranging from text, image, sound, video, and bioinformatics data. Her methods apply to diverse problems, such as clustering, classification, anomaly detection, community discovery, and collaborative filtering, with a novel multi-aspect outlook. She has an impressive track record as an active member of the Organizing Committee of the Australasian Data Mining Conference for several years. Additionally, she has established herself as a highly regarded reviewer for several top-tier journals, including IEEE Transactions on Knowledge and Data Engineering (TKDE), IEEE Transactions on Knowledge Discovery from Data (TKDD), IEEE Transactions on Neural Networks and Learning Systems (T-NNLS), IEEE Transactions on Audio, Speech and Language Processing (TASLP), and Information Sciences. Recently joining Charles Sturt University as a research fellow, she is currently working on Cyber Security projects and collaborating with Data61 to develop practical approaches for detecting and reacting to attacks using various data sources.

Cuprins

1 Multi-Aspect Data Learning: Overview, Challenges and Approaches.-  2 Non-negative Matrix Factorization-Based Multi-Aspect Data Clustering.- 3 NMF and Manifold Learning for Multi-Aspect Data.- 4 Subspace Learning for Multi-Aspect Data.-  5 Spectral Clustering on Multi-Aspect Data.- 6 Learning Consensus and Complementary Information for Multi-Aspect Data Clustering.- 7 Deep Learning-Based Methods for Multi-Aspect Data Clustering.

Textul de pe ultima copertă

This book offers a detailed and comprehensive analysis of multi-aspect data learning, focusing especially on representation learning approaches for unsupervised machine learning. It covers state-of-the-art representation learning techniques for clustering and their applications in various domains. This is the first book to systematically review multi-aspect data learning, incorporating a range of concepts and applications. Additionally, it is the first to comprehensively investigate manifold learning for dimensionality reduction in multi-view data learning. The book presents the latest advances in matrix factorization, subspace clustering, spectral clustering and deep learning methods, with a particular emphasis on the challenges and characteristics of multi-aspect data. Each chapter includes a thorough discussion of state-of-the-art of multi-aspect data learning methods and important research gaps. The book provides readers with the necessary foundational knowledge to apply these methods to new domains and applications, as well as inspire new research in this emerging field.