点击上方，选择星标或置顶，不定期资源大放送！

阅读大概需要5分钟

Follow小博主，每天更新前沿干货

近日，加州伯克利电气工程与计算机科学系马毅（Yi Ma）教授宣布其与哥大电气工程系副教授John Wright合著的新书《High-Dimensional Data Analysis with Low-Dimensional Models: Principles, Computation, and Applications》开放了预印版，在新书正式出版前，大家可以在线下载抢先阅读了！

地址：

https://book-wright-ma.github.io/

本书涵盖了用于高维数据分析的新的数学原理(统计学和几何学习)、可扩展(凸和非凸)优化方法，以及重要的应用，如科学成像、宽带通信、人脸识别、3D视觉和深度网络。这本书将被用作数据科学、信号处理、优化和机器学习领域的研究生入门教科书。它已被用于课程EECS 290(伯克利)和ELEN 6886(哥伦比亚)。

在过去的二十年里，高维空间中低维结构的研究有了巨大的发展。在很大程度上，具有代表性的低维模型(如稀疏和低秩以及它们的变体和扩展)的几何和统计特性现在已经很好地理解了。在何种条件下，这些模型可以有效地和高效地从(最小采样量)数据中恢复，已经清楚地描述了。为了从高维数据中恢复低维模型，已经开发了许多高效和可扩展的算法。对这些算法的工作条件和计算复杂性也进行了详细的描述。这些新理论结果和算法已经彻底改变了科学和信号处理的实践数据, 并对传感、成像和信息处理产生了重要的影响。在科学成像、图像处理、计算机视觉、生物信息学、信息检索和机器学习等领域，我们已取得了显著的技术进步。正如我们将从本书中介绍的应用程序中看到的，其中一些发展似乎违背了传统智慧。

见证了这一历史性的进步，我们认为，现在是全面研究这一新知识体系并在统一的理论和计算框架下组织这些丰富成果的时候了。关于压缩感知和稀疏模型的数学原理，已有许多优秀的书籍。然而，本书的目标是通过真正有效的计算，弥合低维模型在高维数据分析中的原理和应用之间的差距:

本书将为学生提供关于高维几何、统计和优化概念和方法的系统性和严谨的训练。通过多样化丰富的应用设置和编程练习，本书还将教导学生如何在模型真实数据中正确使用这些概念和方法，以及如何解决现实世界的工程与科学问题。

本书结构

这本书的主体包括三个相互关联的部分: 原理、计算和应用(PCA)。本书还对相关的背景知识做了附录。

第一部分: 原理(2-7章)提出了稀疏、低秩和一般低维模型的基本性质和理论结果。它描述了在保证正确性或精度的情况下，恢复这种低维结构的逆问题变得易于处理并且能够有效地解决的条件。

第二部分: 计算(第8章和第9章)介绍了凸和非凸优化的方法，以开发用于恢复低维模型的实用算法。这些方法展示了如何系统地提高算法效率和降低整体计算复杂度，从而使生成的算法快速、可扩展到大尺寸和高维数据的强大思想。

第三部分: 应用(10到16章)演示了如何前面两部分的原理和计算方法可能价格不能提高解决各种现实问题和实践。这些应用还指导如何适当地定制和扩展本书中介绍的理想化的模型和算法，以包含关于应用的其他领域特定知识(先验或约束)。

最后的附录(A-E)在本书的最后是独立使用的。

1

作者简介

马毅（Yi Ma），加州大学伯克利分校电气工程与计算机科学系教授。他的研究兴趣包括 3D 计算机视觉、高维数据的低维模型、可扩展性优化和机器学习，近年来的研究主题包括大规模 3D 几何重构和交互以及低维模型与深度网络的关系。

个人主页：https://people.eecs.berkeley.edu/~yima/

John Wright ，哥伦比亚大学电气工程系副教授。博士毕业于伊利诺伊大学香槟分校电气工程专业，曾年在微软研究院工作两年。他的研究兴趣在于高维数据分析、信号处理、计算机视觉和优化领域，曾获2012 COLT 最佳论文奖。

个人主页：https://datascience.columbia.edu/people/john-wright/

欢迎添加群助手微信，邀请您加入大佬云集-机器学习与深度学习交流群！

???? 长按识别添加，邀请您进群！