fachmedien.de - spezialisierte Fachinformationen für Studium und Beruf
fachmedien.de - spezialisierte Fachinformationen für Studium und Beruf
fachmedien.de - spezialisierte Fachinformationen für Studium und Beruf
fachmedien.de - spezialisierte Fachinformationen für Studium und Beruf
fachmedien.de - spezialisierte Fachinformationen für Studium und Beruf

Site Breadcrumb

Verkauf durch Sack Fachmedien

Gorban / Zinovyev / Kégl

Principal Manifolds for Data Visualization and Dimension Reduction

Medium: Buch
ISBN: 978-3-540-73749-0
Verlag: Springer Berlin Heidelberg
Erscheinungstermin: 01.10.2007
In den Warenkorb
Lieferfrist: bis zu 10 Tage
Auf die Merkliste Drucken
Leseprobe
Überschrift

Beschreibung

Kostenloser Versand

nach Deutschland, Österreich und in die Schweiz

Bequem zahlen

Rechnung, Kreditkarte, PayPal oder Bankeinzug

Wir sind gerne für Sie da

0800 000-1378 (Inland)
service@fachmedien.de
<<Kontaktformular>>

Fragen

Fragen Lorem ipsum dolor sit amet, consetetur sadipscing elitr, sed diam nonumy eirmod tempor invidunt ut labore et dolore magna aliquyam erat, sed diam voluptua
Anwtorten

Anwtorten At vero eos et accusam et justo duo dolores et ea rebum. Stet clita kasd gubergren, no sea takimata sanctus est Lorem ipsum dolor sit amet. Lorem ipsum dolor sit amet

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 and K-means decipher 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.

Produkteigenschaften

  • Artikelnummer: 9783540737490
  • Medium: Buch
  • ISBN: 978-3-540-73749-0
  • Verlag: Springer Berlin Heidelberg
  • Erscheinungstermin: 01.10.2007
  • Sprache(n): Englisch
  • Auflage: 2008
  • Serie: Lecture Notes in Computational Science and Engineering
  • Produktform: Kartoniert
  • Gewicht: 552 g
  • Seiten: 340
  • Format (B x H x T): 155 x 235 x 20 mm
  • Ausgabetyp: Kein, Unbekannt

Themen

Autoren/Hrsg.

Herausgeber

Developments and Applications of Nonlinear Principal Component Analysis – a Review.- Nonlinear Principal Component Analysis: Neural Network Models and Applications.- Learning Nonlinear Principal Manifolds by Self-Organising Maps.- Elastic Maps and Nets for Approximating Principal Manifolds and Their Application to Microarray Data Visualization.- Topology-Preserving Mappings for Data Visualisation.- The Iterative Extraction Approach to Clustering.- Representing Complex Data Using Localized Principal Components with Application to Astronomical Data.- Auto-Associative Models, Nonlinear Principal Component Analysis, Manifolds and Projection Pursuit.- Beyond The Concept of Manifolds: Principal Trees, Metro Maps, and Elastic Cubic Complexes.- Diffusion Maps - a Probabilistic Interpretation for Spectral Embedding and Clustering Algorithms.- On Bounds for Diffusion, Discrepancy and Fill Distance Metrics.- Geometric Optimization Methods for the Analysis of Gene Expression Data.- Dimensionality Reduction and Microarray Data.- PCA and K-Means Decipher Genome.