Titre original :
Spectral Learning on Matrices and Tensors
Contenu du livre :
Les auteurs de cette monographie passent en revue les progrès récents dans l'utilisation des méthodes spectrales, y compris les techniques de décomposition des matrices et des tenseurs, pour l'apprentissage de nombreux modèles de variables latentes populaires. Avec une mise en œuvre soignée, les méthodes basées sur les tenseurs peuvent fonctionner efficacement dans la pratique, et dans de nombreux cas, ce sont les seuls algorithmes avec des garanties prouvables sur le temps d'exécution et la complexité de l'échantillon.
L'accent est mis sur un type particulier de décomposition tensorielle appelé décomposition CP, et les auteurs couvrent un large éventail d'algorithmes pour trouver les composants d'une telle décomposition tensorielle. Ils discutent également de l'utilité de cette décomposition en examinant plusieurs modèles probabilistes qui peuvent être appris à l'aide de ces méthodes tensorielles.
La seconde moitié de la monographie se penche sur les applications pratiques. Cela inclut l'utilisation de Tensorly, un logiciel efficace d'algèbre tensorielle, qui possède une interface python simple pour exprimer les opérations tensorielles. Il dispose également d'un système dorsal flexible prenant en charge NumPy, PyTorch, TensorFlow et MXNet.
Spectral Learning on Matrices and Tensors fournit une introduction théorique et pratique à la conception et au déploiement de l'apprentissage spectral sur les matrices et les tenseurs. Il est intéressant pour tous les étudiants, les chercheurs et les praticiens qui travaillent sur des problèmes modernes d'apprentissage automatique.
Autres informations sur le livre :
| ISBN : | 9781680836400 |
| Auteur : | |
| Éditeur : | |
| Langue : | anglais |
| Reliure : | Broché |
| Année de publication : | 2019 |
| Nombre de pages : | 156 |
Achat:
Actuellement disponible, en stock.
