EBOOK

Principal Manifolds for Data Visualization and Dimension Reduction


€ 141,99
 
pdf eBook
Sofort lieferbar (Download)
September 2007

Beschreibung

Beschreibung

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.

Inhaltsverzeichnis

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.

Innenansichten

Technik

Dieses eBook wird im PDF-Format geliefert und ist mit einem Adobe DRM-Kopierschutz versehen. Sie können dieses eBook auf vielen gängigen Endgeräten lesen.

Sie können dieses eBook auf vielen gängigen Endgeräten lesen.

Für welche Geräte?
Sie können das eBook auf allen Lesegeräten, in Apps und in Lesesoftware öffnen, die PDF und Adobe DRM unterstützen:

  • tolino Reader
    Öffnen Sie das eBook nach der automatischen Synchronisation auf dem Reader oder übertragen Sie das eBook auf Ihr tolino Gerät mit einer kostenlosen Software wie beispielsweise Adobe Digital Editions.

  • Sony Reader und andere eBook Reader
    Laden Sie das eBook direkt auf dem Reader im eBook.de-Shop herunter oder übertragen Sie das eBook mit der kostenlosen Software Sony READER FOR PC/Mac oder Adobe Digital Editions auf ein Standard-Lesegeräte mit PDF- und Adobe DRM-Unterstützung.

  • Tablets und Smartphones
    Installieren Sie die eBook.de READER App für Android und iOS oder verwenden Sie eine andere Lese-App für PDF-eBooks mit Adobe DRM.

  • PC und Mac
    Lesen Sie das eBook direkt nach dem Herunterladen über "Jetzt lesen" im Browser, oder mit der kostenlosen Lesesoftware Adobe Digital Editions.

Schalten Sie das eBook mit Ihrer persönlichen Adobe ID auf bis zu sechs Geräten gleichzeitig frei.

Bitte beachten Sie: Dieses eBook ist nicht auf Kindle-Geräten lesbar.

Ihr erstes eBook?
Hier erhalten Sie alle Informationen rund um die digitalen Bücher für Neueinsteiger.

EAN: 9783540737506
Untertitel: 2008. Auflage. Sprache: Englisch. Dateigröße in MByte: 9.
Verlag: Springer Berlin Heidelberg
Erscheinungsdatum: September 2007
Format: pdf eBook
Kopierschutz: Adobe DRM
Es gibt zu diesem Artikel noch keine Bewertungen.Kundenbewertung schreiben