Advances in Independent Component Analysis

تجزیه و تحلیل مؤلفه مستقل (ICA) یک منطقه به سرعت در حال توسعه با علاقه تحقیقاتی شدید است. این کتاب به دنبال شبکه‌های عصبی خودسازماندهی: تجزیه و تحلیل مؤلفه‌های مستقل و جداسازی سیگنال کور، تحولات مهم سال گذشته را مرور می‌کند.
این کتاب موضوعاتی مانند استفاده از روش‌های پنهان مارکوف، فرض استقلال، و ICA توپوگرافی را پوشش می‌دهد. و شامل فصول آموزشی در مورد رویکردهای بیزی و متغیر است. همچنین جدیدترین رویکردها را برای مشکلات ICA ارائه می‌کند، از جمله بررسی برخی \"مشکلات سخت\" برای اولین بار. دانشجویان و محققان علوم کامپیوتر و مهندسی برق؛ کارکنان تحقیق و توسعه در رشته هایی مانند مدل سازی آماری و تجزیه و تحلیل داده ها؛ کارگران بیو انفورماتیک؛ و فیزیکدانان و شیمیدانانی که به روش های جدید تجزیه و تحلیل داده ها نیاز دارند.

Independent Component Analysis (ICA) is a fast developing area of intense research interest. Following on from Self-Organising Neural Networks: Independent Component Analysis and Blind Signal Separation, this book reviews the significant developments of the past year.
It covers topics such as the use of hidden Markov methods, the independence assumption, and topographic ICA, and includes tutorial chapters on Bayesian and variational approaches. It also provides the latest approaches to ICA problems, including an investigation into certain "hard problems" for the very first time.
Comprising contributions from the most respected and innovative researchers in the field, this volume will be of interest to students and researchers in computer science and electrical engineering; research and development personnel in disciplines such as statistical modelling and data analysis; bio-informatic workers; and physicists and chemists requiring novel data analysis methods.