Просмотр

Материал из MachineLearning.

У вас нет прав на выполнение этой операции по следующим причинам:

• Запрошенное действие могут выполнять только участники из групп emailconfirmed, Администраторы.
• Вы должны подтвердить ваш адрес электронной почты перед правкой страниц. Пожалуйста, введите и подтвердите ваш адрес эл. почты на странице настроек.

Вы можете просмотреть и скопировать исходный текст этой страницы:

<includeonly>{{Монография|PageName = П:A. Gorban, B. Kegl, D. Wunsch, A. Zinovyev (2008), Principal Manifolds for Data Visualisation and Dimension Reduction |автор = Gorban, A.N. |автор2 = Kegl, B. |автор3 = Wunsch, D. |автор4 = Zinovyev, A.Y. |название = Principal Manifolds for Data Visualisation and Dimension Reduction |издатель = Springer, Berlin – Heidelberg – New York |год = 2008 |url = http://pca.narod.ru/contentsgkwz.htm |ISBN = 978-3-540-73749-0 |язык = english }}</includeonly><noinclude>{{Монография|BibtexKey = NPCA2007 |автор = Gorban, A.N. |автор2 = Kegl, B. |автор3 = Wunsch, D. |автор4 = Zinovyev, A.Y. |название = Principal Manifolds for Data Visualisation and Dimension Reduction |издатель = Springer, Berlin – Heidelberg – New York |год = 2008 |url = http://pca.narod.ru/contentsgkwz.htm |ISBN = 978-3-540-73749-0 |язык = english }} == Аннотация == Первая в мировой научной литературе монография, посвященная методу главных многообразий (обобщения Кохоненовских SOM в том числе): Главные многообразия для визуализации и анализа данных, А. Горбань, Б. Кегль, Д. Вунш, А. Зиновьев (ред.), Шпрингер, 2007. Подготовлена международным коллективом авторов. == Реферат == In 1901 Karl Pearson invented Principal Component Analysis (PCA). Since then, PCA serves as a prototype for many other tools of data analysis, visualization and dimension reduction: Independent Component Analysis (ICA), Multidimensional Scaling (MDS), Nonlinear PCA (NLPCA), Self Organizing Maps (SOM), etc. The book starts with the quote of the classical Pearson definition of PCA and includes reviews of various methods: NLPCA, ICA, MDS, embedding and clustering algorithms, principal manifolds and SOM. New approaches to NLPCA, principal manifolds, branching principal components and topology preserving mappings are described as well. Presentation of algorithms is supplemented by case studies, from engineering to astronomy, but mostly of biological data: analysis of microarray and metabolite data. The volume ends with a tutorial PCA deciphers genome. The book is meant to be useful for practitioners in applied data analysis in life sciences, engineering, physics and chemistry; it will also be valuable to PhD students and researchers in computer sciences, applied mathematics and statistics. Written for: Researchers and graduate students == Contents == 1 Developments and Applications of Nonlinear Principal Component Analysis – a Review Uwe Kruger, Junping Zhang, Lei Xie 2 Nonlinear Principal Component Analysis: Neural Network Models and Applications Matthias Scholz, Martin Fraunholz, Joachim Selbig 3 Learning Nonlinear Principal Manifolds by Self-Organising Maps Hujun Yin 4 Elastic Maps and Nets for Approximating Principal Manifolds and Their Application to Microarray Data visualization Alexander N Gorban, Andrei Y Zinovyev 5 Topology-Preserving Mappings for Data Visualisation Marian PeЇna, Wesam Barbakh, Colin Fyfe 6 The Iterative Extraction Approach to Clustering Boris Mirkin 7 Representing Complex Data Using Localized Principal Components with Application to Astronomical Data Jochen Einbeck, Ludger Evers, Coryn Bailer-Jones 8 Auto-Associative Models, Nonlinear Principal Component Analysis, Manifolds and Projection Pursuit Stґephane Girard, Serge Iovleff 9 Beyond The Concept of Manifolds: Principal Trees, Metro Maps, and Elastic Cubic Complexes Alexander N Gorban, Neil R Sumner, Andrei Y Zinovyev 10 Diffusion Maps - a Probabilistic Interpretation for Spectral Embedding and Clustering Algorithms Boaz Nadler, Stephane Lafon, Ronald Coifman, Ioannis G Kevrekidis 11 On Bounds for Diffusion, Discrepancy and Fill Distance Metrics Steven B Damelin 12 Geometric Optimization Methods for the Analysis of Gene Expression Data Michel Journґee, Andrew E Teschendorff, Pierre-Antoine Absil, Simon Tavarґe, Rodolphe Sepulchre 13 Dimensionality Reduction and Microarray data David A Elizondo, Benjamin N Passow, Ralph Birkenhead, Andreas Huemer 14 PCA and K-Means Decipher Genome Alexander N Gorban, Andrei Y Zinovyev == Ссылки == *[http://pca.narod.ru/ Нелинейный метод главных компонент] *[http://www.springer.com/math/cse/book/978-3-540-73749-0 Principal Manifolds for Data Visualization and Dimension Reduction] [[Категория:Машинное обучение (публикации)|Gorban]] [[Категория:Визуализация данных (публикации)|Gorban]] [[Категория:Метод главных компонент]] [[Категория:Электронная библиотека|Gorban]] </noinclude>

• Шаблон:!
• Шаблон:BibtexAuthors
• Шаблон:Nobr
• Шаблон:ВсеАвторы
• Шаблон:Книга
• Шаблон:Монография
• Шаблон:Переводы

Возврат к странице Публикация:Gorban (2008), Principal Manifolds.