Uczenie spektralne na macierzach i tensorach

Oryginalny tytuł:

Spectral Learning on Matrices and Tensors

Zawartość książki:

Autorzy niniejszej monografii dokonali przeglądu ostatnich postępów w stosowaniu metod spektralnych, w tym technik dekompozycji macierzy i tensorów, do uczenia się wielu popularnych modeli zmiennych ukrytych. Dzięki starannej implementacji metody oparte na tensorach mogą działać wydajnie w praktyce, aw wielu przypadkach są jedynymi algorytmami z możliwymi do udowodnienia gwarancjami czasu działania i złożoności próby.

Autorzy skupiają się na specjalnym typie dekompozycji tensorowej zwanej dekompozycją CP i omawiają szeroki zakres algorytmów do znajdowania komponentów takiej dekompozycji tensorowej. Omawiają również użyteczność tego rozkładu, dokonując przeglądu kilku modeli probabilistycznych, których można się nauczyć przy użyciu takich metod tensorowych.

Druga połowa monografii poświęcona jest praktycznym zastosowaniom. Obejmuje to wykorzystanie Tensorly, wydajnego pakietu oprogramowania do algebry tensorowej, który ma prosty interfejs Pythona do wyrażania operacji na tensorach. Posiada również elastyczny system zaplecza obsługujący NumPy, PyTorch, TensorFlow i MXNet.

Spectral Learning on Matrices and Tensors stanowi teoretyczne i praktyczne wprowadzenie do projektowania i wdrażania uczenia spektralnego zarówno na macierzach, jak i tensorach. Jest to interesujące dla wszystkich studentów, badaczy i praktyków pracujących nad współczesnymi problemami uczenia maszynowego.