Spectral Learning on Matrices and Tensors
Die Autoren dieser Monographie geben einen Überblick über die jüngsten Fortschritte bei der Verwendung spektraler Methoden, einschließlich Matrix- und Tensorzerlegungstechniken, um viele gängige latente Variablenmodelle zu lernen. Bei sorgfältiger Implementierung können tensorbasierte Methoden in der Praxis effizient laufen, und in vielen Fällen sind sie die einzigen Algorithmen mit nachweisbaren Garantien für Laufzeit und Stichprobenkomplexität.
Der Schwerpunkt liegt auf einer speziellen Art der Tensorzerlegung, der so genannten CP-Zerlegung, und die Autoren behandeln eine breite Palette von Algorithmen zur Ermittlung der Komponenten einer solchen Tensorzerlegung. Sie erörtern auch die Nützlichkeit dieser Zerlegung, indem sie mehrere probabilistische Modelle besprechen, die mit solchen Tensormethoden gelernt werden können.
Die zweite Hälfte der Monographie befasst sich mit praktischen Anwendungen. Dazu gehört die Verwendung von Tensorly, einem effizienten Tensor-Algebra-Softwarepaket, das eine einfache Python-Schnittstelle zum Ausdrücken von Tensor-Operationen hat. Es verfügt auch über ein flexibles Back-End-System, das NumPy, PyTorch, TensorFlow und MXNet unterstützt.
Spectral Learning on Matrices and Tensors bietet eine theoretische und praktische Einführung in die Entwicklung und den Einsatz von Spectral Learning auf Matrizen und Tensoren. Es ist von Interesse für alle Studenten, Forscher und Praktiker, die an modernen Problemen des maschinellen Lernens arbeiten.
| ISBN: | 9781680836400 |
| Autor: | |
| Verlag: | |
| Sprache: | Englisch |
| Einband: | Taschenbuch |
| Erscheinungsjahr: | 2019 |
| Seitenzahl: | 156 |
Derzeit verfügbar, auf Lager.
