توضیحات
MM Optimization Algorithms offers an overview of the MM principle, a device for deriving optimization algorithms satisfying the ascent or descent property. These algorithms can separate the variables of a problem, avoid large matrix inversions, linearize a problem, restore symmetry, deal with equality and inequality constraints gracefully, and turn a nondifferentiable problem into a smooth problem.
The author presents the first extended treatment of MM algorithms, which are ideal for high-dimensional optimization problems in data mining, imaging, and genomics; derives numerous algorithms from a broad diversity of application areas, with a particular emphasis on statistics, biology, and data mining; and summarizes a large amount of literature that has not reached book form before.
Audience: This book is intended for those interested in high-dimensional optimization. Background material on convexity and semidifferentiable functions is derived in a setting congenial to graduate students.
Contents: Chapter 1: Beginning Examples; Chapter 2: Convexity and Inequalities; Chapter 3: Nonsmooth Analysis; Chapter 4: Majorization and Minorization; Chapter 5: Proximal Algorithms; Chapter 6: Regression and Multivariate Analysis; Chapter 7: Convergence and Acceleration; Appendix A: Mathematical Background.
————————————————————–
ترجمه ماشینی :
الگوریتمهای بهینهسازی MM یک نمای کلی از اصل MM ارائه میدهد، دستگاهی برای استخراج الگوریتمهای بهینهسازی که ویژگی صعود یا فرود را برآورده میکند. این الگوریتمها میتوانند متغیرهای یک مسئله را از هم جدا کنند، از وارونگیهای ماتریس بزرگ اجتناب کنند، یک مسئله را خطیسازی کنند، تقارن را بازیابی کنند، با محدودیتهای برابری و نابرابری به خوبی برخورد کنند، و یک مسئله غیرقابل تمایز را به یک مسئله صاف تبدیل کنند.
نویسنده اولین درمان گسترده الگوریتمهای MM را ارائه میکند که برای مسائل بهینهسازی با ابعاد بالا در دادهکاوی، تصویربرداری و ژنومیک ایدهآل هستند. الگوریتمهای متعددی را از تنوع گستردهای از حوزههای کاربردی، با تأکید ویژه بر آمار، زیستشناسی و دادهکاوی استخراج میکند. و حجم زیادی از ادبیات را که قبلاً به شکل کتابی نرسیده است، خلاصه می کند.
مخاطبان: این کتاب برای کسانی که علاقه مند به بهینه سازی با ابعاد بالا هستند در نظر گرفته شده است. . مطالب پیش زمینه در مورد تحدب و توابع نیمه تمایز پذیر در محیطی مناسب برای دانشجویان تحصیلات تکمیلی مشتق شده است. فصل دوم: تحدب و نابرابری ها; فصل 3: تجزیه و تحلیل غیرهموار. فصل 4: اکثریت و کوچک شدن; فصل 5: الگوریتم های پروگزیمال; فصل 6: رگرسیون و تحلیل چند متغیره. فصل هفتم: همگرایی و شتاب. پیوست الف: پیشینه ریاضی.
tag : دانلود کتاب الگوریتم های بهینه سازی MM , Download الگوریتم های بهینه سازی MM , دانلود الگوریتم های بهینه سازی MM , Download MM Optimization Algorithms Book , الگوریتم های بهینه سازی MM دانلود , buy الگوریتم های بهینه سازی MM , خرید کتاب الگوریتم های بهینه سازی MM , دانلود کتاب MM Optimization Algorithms , کتاب MM Optimization Algorithms , دانلود MM Optimization Algorithms , خرید MM Optimization Algorithms , خرید کتاب MM Optimization Algorithms ,
نقد و بررسیها
هنوز بررسیای ثبت نشده است.