کتاب Signal Processing and Machine Learning Theory

کتاب Signal Processing and Machine Learning Theory (پردازش سیگنال و نظریه یادگیری ماشین) توسط متخصصان برجسته جهان تالیف شده است، اصول، روش‌ها و تکنیک‌های نظریه پردازش سیگنال ضروری و پیشرفته را بررسی می‌کند. این تئوری‌ها و ابزارها، موتور محرک بسیاری از موضوعات و فناوری‌های تحقیقاتی فعلی و نوظهور مانند یادگیری ماشینی، وسایل نقلیه خودران، اینترنت اشیا، ارتباطات بی‌سیم، تصویربرداری پزشکی و موارد دیگر هستند.

در ادامه مقدمه‌ای از کتاب Signal Processing and Machine Learning Theory را از زبان نویسنده شرح خواهیم داد.

مقدمه‌ای بر کتاب Signal Processing and Machine Learning Theory:

پردازش سیگنال و یادگیری ماشین حوزه‌های حیاتی دانش هستند که تقریباً در تمام جنبه‌های زندگی مدرن کاربرد دارند. در واقع، بشر قرن‌هاست که از ابزارهای پردازش سیگنال بدون آگاهی از آن‌ها استفاده می‌کند. در سال‌های اخیر در دسترس بودن مقرون به صرفه منابع محاسباتی و ذخیره‌سازی، علاوه بر پیشرفت‌های نظری، امکان فعالیت پررونق در هر دو حوزه مرتبط را فراهم کرده است.

در روزگار کنونی، نسل جوان ممکن است نتواند درک کند که چگونه می‌توان بدون حمل تلفن همراه زندگی کرد، مسافت‌های طولانی را بدون هواپیمای تقریباً خود خلبان طی کرد، بدون حضور انسان در سایر سیارات کاوش کرد، و از یک مرکز پزشکی بدون طیف وسیعی از تجهیزات پزشکی استفاده کرد. تجهیزات تشخیصی و مداخله ای

پردازش سیگنال شامل نقشه‌برداری یا تبدیل سیگنال‌های حامل اطلاعات به شکل دیگری از سیگنال‌ها در خروجی، با هدف دستیابی به برخی مزایای کاربردی است. این نگاشت در صورتی یک سیستم پیوسته یا آنالوگ را تعریف می‌کند که شامل توابعی باشد که سیگنال‌های ورودی و خروجی را نشان می‌دهد.

بیشتر بخوانید: کتاب Machine Learning for Emotion Analysis in Python

از سوی دیگر، اگر دنباله ای از اعداد سیگنال‌های ورودی و خروجی آن را نشان دهند، سیستم گسسته یا دیجیتال است. تئوری پردازش سیگنال شامل طیف گسترده ای از ابزارها است که در زمینه‌های غیرقابل شمارش، مانند مهندسی زیستی، ارتباطات، کنترل، نظارت، نظارت بر محیط زیست، اقیانوس شناسی و نجوم، کاربرد پیدا کرده اند. بسیاری از این برنامه‌ها با حل برخی مشکلات بی‌سابقه و بهبود راه حل‌های موجود، از نظریه یادگیری ماشین بهره‌مند شدند.

یادگیری ماشین اساساً شامل برازش مدل‌ها با داده‌های ارائه شده است. الگوریتم‌های زیادی برای انجام برازش مورد نظر وجود دارد، اما شایان ذکر است که کیفیت داده‌ها برای یک نتیجه موفق ضروری است. علاوه بر این، کتاب Signal Processing and Machine Learning Theory شامل موضوعات بسیاری در مورد یادگیری ماشینی است که برخی از ارتباطات را با بسیاری از روش‌های کلاسیک مرتبط با یادگیری از داده‌ها برجسته می‌کند.

در واقع، یادگیری ماشین چارچوبی برای بسیاری از رشته‌هایی است که با ابزارهایی برای یادگیری از داده‌ها و انجام وظایف مدل‌سازی مانند پیش‌بینی و طبقه‌بندی سروکار دارند.

بیشتر بخوانید: کتاب Digital Signals Theory

کتاب Signal Processing and Machine Learning Theory شامل مروری بر پردازش سیگنال کلاسیک و ابزارهای یادگیری ماشین است که مفاهیم اساسی آن در کتاب‌های درسی متعدد موجود در ادبیات و همچنین موضوعاتی که معمولاً در کتاب‌های موجود در بازار پوشش داده نمی‌شوند، وجود دارد. در نتیجه، ما معتقدیم که دانش‌آموزان و متخصصان می‌توانند از خواندن بسیاری از بخش‌های این کتاب، اگر نگوییم همه، برای تعمیق و گسترش دانش فعلی خود و همچنین شروع به بهره‌برداری از ایده‌های جدید بهره‌مند شوند.

هدف دیگر کتاب Signal Processing and Machine Learning Theory ارائه طیف گسترده ای از موضوعات مستقل در پردازش سیگنال و یادگیری ماشین است که می‌تواند به عنوان مکمل دوره‌های استاندارد موجود استفاده شود و بالاتر از همه، به عنوان پایه‌ای برای دوره‌های پیشرفته عمل کند. گستردگی موضوعات مورد بحث پوشش وسیعی را فراهم می‌کند، به طوری که پیکربندی‌های زیادی برای کل دوره در مورد موضوعات خاص در پردازش سیگنال و یادگیری ماشین با توجه به انتخاب فصل‌ها امکان‌پذیر است.

دامنه وسیع موضوعات از این واقعیت الهام گرفته شده است که چندین راه حل برای مشکلات عملی با به دست آوردن برخی سیگنال‌های زمان پیوسته شروع می‌شود و سپس دیجیتالی کردن و ذخیره آن‌ها برای انجام پردازش بیشتر انجام می‌شود. مجموعه وظایف ممکن است شامل فیلتر کردن سیگنال، مدل‌سازی، پیش‌بینی و طبقه‌بندی و غیره باشد.
تئوری‌های پردازش سیگنال و یادگیری ماشین بیش از پنج دهه است که با سرعتی سریع در حال توسعه هستند.

بیشتر بخوانید: کتاب Deep Learning Algorithms

فصل‌های بعدی بسیاری از ابزارهای کلاسیک را پوشش می‌دهند که به طور گسترده در برنامه‌هایی که ما در زندگی روزمره خود از طریق استفاده از تلفن‌های همراه، پخش‌کننده‌های رسانه، تجهیزات پزشکی، حمل‌ونقل و غیره درک می‌کنیم، استفاده می‌شوند. این فصل‌ها همچنین پیشرفت‌های اخیر را پوشش می‌دهند و بسیاری از ابزارهای جدید را توصیف می‌کنند که به طور بالقوه می‌توانند در برنامه‌های کاربردی جدید مورد استفاده قرار گیرند و بیشتر مورد بررسی قرار گیرند.

نویسندگان فصل‌ها مشارکت کنندگان مکرر و حیاتی در زمینه‌های پردازش سیگنال و نظریه یادگیری ماشین هستند. هدف هر فصل ارائه یک مرور کلی و آموزش مختصر از موضوعات مهم مربوط به تئوری پردازش سیگنال و یادگیری ماشین، از جمله مراجع کلیدی برای مطالعات بیشتر است. عناوین موجود در کتاب Signal Processing and Machine Learning Theory به شرح زیر است:

فصل 1 کتاب Signal Processing and Machine Learning Theory خلاصه ای از موضوعات مطرح شده در کتاب را ارائه می‌دهد.

فصل 2 مفاهیم اساسی سیگنال‌ها و سیستم‌های زمان پیوسته را پوشش می‌دهد و ابزارهای اصلی را که می‌توان برای تجزیه و تحلیل و طراحی چنین سیستم‌هایی به کار برد، برجسته می‌کند. چندین مثال برای نشان دادن استفاده از ابزارها در یک محیط کامل زمان پیوسته گنجانده شده است. محتوای این فصل از کتاب Signal Processing and Machine Learning Theory نیز برای اتصال سیستم‌های زمان پیوسته و زمان گسسته ضروری است.

فصل 3 به سیگنال‌ها و سیستم‌های زمان گسسته می‌پردازد و بر ابزارهای تجزیه و تحلیل ضروری که برای درک برخی از تکنیک‌های پیشرفته تر ارائه شده در فصل‌های آینده بسیار مهم است، تأکید می‌کند. این فصل از کتاب Signal Processing and Machine Learning Theory نشان می‌دهد که چگونه می‌توان از نمایش قدرتمند فضای حالت سیستم‌های زمان گسسته به عنوان ابزار تحلیل و طراحی استفاده کرد.

فصل 4 کتاب Signal Processing and Machine Learning Theory در مورد سیگنال‌های تصادفی و فرآیندهای تصادفی به طور جامع مفاهیم اساسی مورد نیاز برای مقابله با سیگنال‌های تصادفی را تشریح می‌کند. با مفهوم احتمال شروع می‌شود که برای مدل‌سازی آزمایش‌های شانس مفید است، که نتایج آن باعث ایجاد متغیر تصادفی می‌شود. در مرحله بعد، سیگنال‌های حوزه زمان که نتایج غیراستاتیک را نشان می‌دهند به عنوان فرآیندهای تصادفی شناخته می‌شوند، جایی که تعریف کامل آن‌ها ارائه می‌شود. در نهایت، این فصل ابزارهایی را برای مدل‌سازی برهمکنش‌های بین سیگنال‌های تصادفی و سیستم‌های خطی توصیف می‌کند.

فصل 5 نمونه برداری و کوانتیزاسیون را پوشش می‌دهد، که در آن مفاهیم اولیه نمونه برداری صحیح از یک سیگنال زمان پیوسته و نمایش آن به عنوان دنباله ای از نمونه‌های با ارزش گسسته به تفصیل مورد بررسی قرار می‌گیرد.

این فصل از کتاب Signal Processing and Machine Learning Theory، طیف گسترده‌ای از موضوعاتی را که به ندرت در یک کتاب درسی یافت می‌شود، مورد بحث قرار می‌دهد، مانند نمونه برداری یکنواخت و بازسازی سیگنال‌های قطعی، گسترش نمونه گیری و بازسازی فرآیندهای تصادفی، و مبدل‌های آنالوگ به دیجیتال (A/D) با زمان در هم آمیخته شده است. (ADC) برای تبدیل A/D با سرعت بالا.

علاوه بر این، موضوعات مربوط به اصلاح ناهماهنگی کانال‌های آنالوگ، اصول کوانتیزاسیون و ADC های نمونه برداری بیش از حد و مبدل‌های دیجیتال به آنالوگ (DAC) به اختصار مورد بحث قرار می‌گیرد. این فصل روش پیشرفته‌تری را برای مدل‌سازی زمان گسسته سیستم‌های سیگنال مختلط به کار رفته در ADC‌های مبتنی بر 61 مدولاتور معرفی می‌کند. این فصل همچنین شامل مفاهیم اولیه نمونه برداری فشاری است که شامل بسیاری از مسائل کاربردی مرتبط با این زمینه مهم است.

فصل 6 کتاب Signal Processing and Machine Learning Theory ما را به طراحی توابع انتقال پاسخ ضربه‌ای طول محدود (FIR) و پاسخ ضربه ای طول نامحدود (IIR) فیلترهای ثابتی که مشخصات تجویز شده را برآورده می‌کنند، توضیح می‌دهد و تحقق‌های اساسی آن‌ها را توضیح می‌دهد و تحقق‌های پیچیده تر را بررسی می‌کند.

برای فیلترهای IIR، این فصل مفهوم فیلترهای دیجیتال موجی را به طور مختصر و واضح معرفی می‌کند و مفهوم آن را از ساختارهای فیلتر آنالوگ تحریک می‌کند. تحقق فیلتر IIR حاصل، خواص حساسیت پایین مبتکرهای آنالوگ خود را حفظ می‌کند. برای ساختارهای فیلتر FIR، این فصل رویکرد پوشش فرکانس را پوشش می‌دهد که از افزونگی در پاسخ ضربه فیلترهای FIR معمولی با گزینش‌پذیری بالا، با هدف کاهش پیچیدگی محاسباتی استفاده می‌کند.

این فصل از کتاب Signal Processing and Machine Learning Theory همچنین به تفصیل توضیح می‌دهد که چگونه فیلترهای دیجیتال را به طور موثر در سخت‌افزار خاص با برنامه‌ریزی مناسب عملیات حسابی پیاده‌سازی کنیم.

فصل 7 در مورد پردازش سیگنال چند نرخی برای معماری رادیویی نرم افزار، چندین مفهوم ارائه شده در فصل‌های قبلی را به عنوان ابزاری برای توسعه و درک پیاده سازی رادیویی تعریف شده توسط نرم افزار، موضوعی که در سیستم‌های ارتباطی مدرن مورد توجه است، اعمال می‌کند.

رادیو تعریف‌شده توسط نرم‌افزار مستلزم پیاده‌سازی عملکرد رادیویی در نرم‌افزار است که در نتیجه سیستم‌های رادیویی منعطف ایجاد می‌شود که هدف اصلی آن‌ها ارائه ویژگی‌های چندسرویس، چند استاندارد و چند باندی است که همگی توسط نرم‌افزار قابل تنظیم مجدد هستند. از منظر پردازش سیگنال، چندین مفهوم اساسی سیستم‌های چند نرخی مانند درون یابی، تجزیه، تجزیه چند فازی، و ترانس مولتی پلکسینگ نقش اصلی را ایفا می‌کنند.

این فصل از کتاب Signal Processing and Machine Learning Theory مفاهیم مورد نیاز تئوری پردازش سیگنال را مرور می‌کند و یک معماری رادیویی مبتنی بر نرم‌افزار را پیشنهاد می‌کند. فصل 7 از پردازش سیگنال چند نرخی و ترانس مولتی پلکسرها برای بحث در مورد یک روش طراحی که در ارتباطات استفاده می‌شود، از جمله کاربرد یادگیری ماشین برای تشخیص سیگنال، جداسازی و طبقه بندی استفاده می‌کند.

فصل 8 در مورد طراحی تبدیل مدرن برای برنامه‌های کاربردی رمزگذاری صوتی/تصویر/ویدئو به طراحی چندین روش تبدیل برنامه محور می‌پردازد. اکثر کتاب‌های درسی پردازش سیگنال، تبدیل‌های کلاسیک را ارائه می‌کنند که به تعداد زیادی ضرب نیاز دارند.

با این حال، تقاضا برای پلتفرم‌های چند رسانه‌ای کم‌مصرف نیازمند توسعه تبدیل‌های محاسباتی کارآمد برای برنامه‌های برنامه‌نویسی است. این فصل از کتاب Signal Processing and Machine Learning Theory دارای ویژگی منحصر به فرد ارائه رویه‌های سیستماتیک برای طراحی این تبدیل‌ها و در عین حال نشان دادن استفاده عملی آن‌ها در کدک‌های استاندارد است.

فصل 9 کتاب Signal Processing and Machine Learning Theory با عنوان “تبدیل‌های چند مقیاسی گسسته در پردازش سیگنال” یک توضیح عمیق تر در سطح بالا از چارچوب‌های نظری موجک‌های کلاسیک و موجک‌های ناهمسانگرد ارائه می‌دهد. هدف این است که خواننده را با دانش کافی از ابزارهای مبتنی بر موجک به منظور بهره‌برداری بیشتر از پتانسیل آن‌ها برای کاربرد در علوم اطلاعات، قادر سازد.

در واقع، مواد تحت پوشش در این فصل از کتاب Signal Processing and Machine Learning Theory منحصر به فرد است به این معنا که هر تبدیل چند مقیاسی گسسته به یک کاربرد بالقوه مرتبط است. این فصل شامل موضوع فعلی و مهم ترکیب موجک به شبکه‌های عصبی است که برخی کاربردهای بالقوه در یادگیری ماشین را ارائه می‌دهد.

فصل 10 در مورد قاب‌ها، استفاده از نمایش سیگنال‌های بیش از حد کامل را با استفاده از قاب‌ها و دوگانه‌های آن‌ها، عملگرهای قاب، قاب‌های معکوس، و مرزهای قاب مورد بحث قرار می‌دهد. تجزیه و تحلیل سیگنال و سنتز با استفاده از نمایش قاب نیز به تفصیل مورد بررسی قرار گرفته است.

به طور خاص، تأکید این فصل بر قاب‌هایی است که از یک سیگنال نمونه اولیه ثابت با استفاده از ترجمه‌ها، مدولاسیون‌ها، و اتساع و تحلیل قاب‌های ترجمه‌ها، قاب‌های گابور و قاب‌های موجک تولید می‌شوند. این فصل از کتاب Signal Processing and Machine Learning Theory، همچنین تکنیک‌های تجزیه و تحلیل سیگنال را بر اساس گابورگرام و تحلیل زمان-فرکانس با استفاده از قاب‌ها و الگوریتم تعقیب تطبیق ارائه می‌دهد.

فصل 11 در تخمین پارامتریک از مفهوم کلیدی مهندسی مربوط به سیگنال‌ها و سیستم‌های مدل‌سازی استفاده می‌کند تا مدل درک پدیده‌های زیربنایی و احتمالاً کنترل آن‌ها را ارائه دهد. این فصل از کتاب Signal Processing and Machine Learning Theory بر مدل‌های پارامتری تأکید دارد که منجر به تخمین ساده پارامترها می‌شود و در عین حال ویژگی‌های اصلی سیگنال‌ها یا سیستم‌های مورد مطالعه را نشان می‌دهد.

با استفاده از فرمول‌های آماری و قطعی، این فصل نحوه تولید مدل‌های خودرگرسیون و میانگین متحرک را توضیح می‌دهد که سپس برای حل مسائل مربوط به تخمین طیف، پیش‌بینی و فیلتر کردن اعمال می‌شوند.

فصل 12 کتاب Signal Processing and Machine Learning Theory در مورد فیلترهای تطبیقی شرح جامعی از روندهای فعلی و همچنین برخی مشکلات باز در این زمینه ارائه می‌کند. در این فصل، بلوک‌های ساختمان اصلی مورد استفاده در تنظیمات فیلتر تطبیقی و همچنین کاربردهای معمول آن مورد بحث قرار می‌گیرد. سپس، این فصل راه‌حل‌های بهینه و به دنبال آن استخراج الگوریتم‌های اصلی را مورد بحث قرار می‌دهد.

نویسندگان برای اولین بار با دو رویکرد استاندارد برای دسترسی به عملکرد الگوریتم‌های فیلتر تطبیقی مواجه می‌شوند. این فصل با بحث در مورد برخی از موضوعات تحقیقاتی جاری و مشکلات باز برای بررسی بیشتر بسته می‌شود.

فصل 13 در مورد یادگیری ماشین، طیف وسیعی از ابزارهایی را که در حال حاضر برای یادگیری از داده‌ها استفاده می‌شود، توصیف می‌کند. به طور خاص، این فصل مفاهیم یادگیری تثبیت شده را مرور می‌کند و ابزارهای کلاسیک را برای انجام یادگیری بدون نظارت و نظارت توصیف می‌کند.

علاوه بر این، ایده یادگیری عمیق همراه با برخی از تغییرات ساختاری آن برجسته شده است. در نهایت، این فصل همچنین به تکنیک‌های جدیدتر مانند آموزش خصمانه و یادگیری فدرال می‌پردازد و شامل مثال‌های توضیحی زیادی است. هدف این فصل از کتاب Signal Processing and Machine Learning Theory، این است که زمینه را برای خواننده فراهم کند تا دید وسیعی از تکنیک‌های یادگیری ماشین کنونی به دست آورد و جزئیاتی را که در فصل‌های باقی‌مانده کتاب به آن پرداخته شده است، بررسی کند.

فصل 14 کتاب Signal Processing and Machine Learning Theory در مورد پردازش سیگنال روی نمودارها، یک میدان نوظهور را پوشش می‌دهد که در آن داده‌ها در رئوس یک نمودار جمع‌آوری می‌شوند و مجموعه محدودی از نمونه‌ها را تشکیل می‌دهند که هر راس نمونه ای را در یک زمان معین ارائه می‌دهد. نمایش داده‌های عمومی که از نمودارها نشأت می‌گیرد از ساختارهای منظم معمول ذاتی پردازش سیگنال استاندارد، مانند فیلتر کردن، ترجمه و مدولاسیون جدا می‌شود.

در این زمینه، تعمیم بسیاری از این ابزارها برای اجازه دادن به کاربرد آن‌ها برای سیگنال‌های نمودارها چالش برانگیز است. بسیاری از مسائل موجود وابسته به توپولوژی هستند، جایی که نمایش گراف یک راه حل طبیعی است. از جمله این مشکلات می‌توان شبکه‌های حمل و نقل، شیوع بیماری‌های عفونی، سیستم‌های امنیتی، مهاجرت انسان و بسیاری موارد دیگر را نام برد. نمودار توپولوژی فضای زیربنایی در نظر گرفته شده را نشان می‌دهد که از آنجا داده‌های با ابعاد بالا به گره‌ها و لبه‌های نمودار مرتبط می‌شوند. این فصل شامل مفاهیم اساسی پردازش سیگنال در نمودارها است و برخی از مشکلات باز در این زمینه جدید را مورد بحث قرار می‌دهد.

فصل 15 در مورد روش‌های تانسور در یادگیری عمیق به نمایش آرایه‌های چند بعدی با استفاده از تانسورها می‌پردازد که به طور گسترده در الگوریتم‌های شبکه عصبی عمیق به کار می‌روند. تانسورها امکان نمایش پراکنده آرایه‌ها با ابعاد چندگانه را فراهم می‌کنند که منجر به اجرای کارآمد شبکه می‌شود. این فصل از کتاب Signal Processing and Machine Learning Theory شامل مروری بر روش‌های تانسور و تانسور در زمینه یادگیری عمیق است.

فصل 16 کتاب Signal Processing and Machine Learning Theory در یادگیری گراف غیر محدب به مروری بر پیشرفت‌های اخیر در زمینه یادگیری در نمودارهای بدون جهت و وزن داده شده می‌پردازد. این فصل الزامات عملی مورد نیاز از چنین مدل‌هایی را که اغلب در مسائل یادگیری ماشین ظاهر می‌شوند، توضیح می‌دهد. الزامات شامل تحمیل پراکندگی و مدیریت داده‌ها با نقاط پرت یا دنباله‌های سنگین است که بخشی از کارهایی مانند خوشه‌بندی و رمزگذاری خودکار گرافیکی-تغییر و غیره است. الگوریتم‌های ارائه‌شده در فصل به راحتی برای برنامه‌ها در دسترس هستند.

فصل 17 کتاب Signal Processing and Machine Learning Theory در فرهنگ لغت در یادگیری ماشینی به ابزارهایی برای بهبود توانایی یادگیری و استخراج سیگنال‌های نهفته پراکنده و فشرده معنی دار و نمایش ویژگی‌ها از مجموعه داده‌های بزرگ منشاء گرفته از سیگنال‌های طبیعی می‌پردازد.

این فصل از کتاب Signal Processing and Machine Learning Theory یک نمای کلی از الگوریتم‌های یادگیری فرهنگ لغت قطعی و آماری ارائه می‌دهد. این فصل شامل بحثی در مورد رابطه پردازش و تشخیص سیگنال مبتنی بر فرهنگ لغت آموخته شده با تکنیک‌های یادگیری ماشینی معاصر است.

به طور خلاصه، کتاب Signal Processing and Machine Learning Theory نشان می‌دهد که پردازش سیگنال و ابزارهای تئوری یادگیری ماشین متعدد، که ظاهراً به هم مرتبط نیستند، الهام بخش ایده‌های جدیدی برای پیشرفت‌های بیشتر هستند. در واقع، این لقاح متقابل توانمندسازی قدرتمندی است که امکان تفسیر شهودی بسیاری از راه‌حل‌های موفق یادگیری ماشین را فراهم می‌کند و تلاش‌های جدیدی را القا می‌کند. یک چالش کنونی در یادگیری از داده‌ها، استفاده از برخی ابزارهای پردازش سیگنال برای از بین بردن شکاف بین یادگیری ماشین و هوش طبیعی است.

سرفصل‌های کتاب Signal Processing and Machine Learning Theory:

• Front Cover
• Signal Processing and Machine Learning Theory
• Copyright
• Contents
• List of contributors
• Contributors
• Signal processing and machine learning theory
• Chapter 1: Introduction to signal processing and machine learning theory
• Chapter 2: Continuous-time signals and systems
• Chapter 3: Discrete-time signals and systems
• Chapter 4: Random signals and stochastic processes
• Chapter 5: Sampling and quantization
• Chapter 6: Digital filter structures and their implementation
• Chapter 7: Multirate signal processing for software radio architectures
• Chapter 8: Modern transform design for practical audio/image/video coding applications
• Chapter 9: Data representation: from multiscale transforms to neural networks
• Chapter 10: Frames in signal processing
• Chapter 11: Parametric estimation
• Chapter 12: Adaptive filters
• Chapter 13: Machine learning
• Chapter 14: A primer on graph signal processing
• Chapter 15: Tensor methods in deep learning
• Chapter 16: Nonconvex graph learning: sparsity, heavy tails, and clustering
• Chapter 17: Dictionaries in machine learning
• Appendix 17.A. Derivation and properties of the K-SVD algorithm
• Appendix 17.B. Derivation of the SBL EM update equation
• Appendix 17.C. SBL dictionary learning algorithm
• Appendix 17.D. Mathematical background for kernelizing dictionary learning
• References
• Index

جهت دانلود کتاب Signal Processing and Machine Learning Theory می‌توانید پس از پرداخت، دریافت کنید.