Modern Methodology and Applications in Spatial-Temporal Modeling

​ این کتاب یک آموزش مقدماتی مدرن در مورد جنبه های روش شناختی و کاربردی تخصصی مدل سازی مکانی و زمانی ارائه می دهد. حوزه های تحت پوشش طیفی از موضوعات را شامل می شود که منعکس کننده تنوع این حوزه تحقیقاتی در تعدادی از رشته های کمی است. به عنوان مثال، فصل اول به استنتاج بیزی ناپارامتری از طریق یک چارچوب اخیراً توسعه یافته به نام جاسازی میانگین هسته می پردازد که تأثیر قابل توجهی در رشته های یادگیری ماشین داشته است. فصل دوم روش‌های آماری ناپارامتریک برای بازسازی میدان فضایی و تخمین احتمال مازاد بر اساس مدل‌های مبتنی بر فرآیند گاوسی در زمینه داده‌های شبکه حسگر بی‌سیم را در بر می‌گیرد. فصل سوم روش‌های پردازش سیگنال را ارائه می‌کند که برای تجزیه و تحلیل خلق و خوی آکوستیک بر اساس تجزیه و تحلیل سیگنال موسیقی اعمال می‌شود. فصل چهارم مدل‌هایی را پوشش می‌دهد که برای مدل‌سازی سری‌های زمانی در حوزه پردازش گفتار و زبان کاربرد دارند. این شامل جنبه‌های تحلیل عاملی، تحلیل مؤلفه‌های مستقل در یک محیط یادگیری بدون نظارت است. در ادامه این فصل، موضوعات پیشرفته‌تری در مورد مدل‌های موضوع متغیر پنهان تعمیم‌یافته بر اساس فرآیندهای دیریکله سلسله مراتبی که اخیراً در ادبیات بیزی ناپارامتریک توسعه یافته‌اند، ادامه می‌یابد. فصل آخر جنبه‌های مدل‌سازی وابستگی را مورد بحث قرار می‌دهد، که عمدتاً بر نقش مدل‌سازی وابستگی شدید دنباله، کوپولاها و نقش آنها در مدل‌های سیستم ارتباطات بی‌سیم تمرکز دارد.

​ This book provides a modern introductory tutorial on specialized methodological and applied aspects of spatial and temporal modeling. The areas covered involve a range of topics which reflect the diversity of this domain of research across a number of quantitative disciplines. For instance, the first chapter deals with non-parametric Bayesian inference via a recently developed framework known as kernel mean embedding which has had a significant influence in machine learning disciplines. The second chapter takes up non-parametric statistical methods for spatial field reconstruction and exceedance probability estimation based on Gaussian process-based models in the context of wireless sensor network data. The third chapter presents signal-processing methods applied to acoustic mood analysis based on music signal analysis. The fourth chapter covers models that are applicable to time series modeling in the domain of speech and language processing. This includes aspects of factor analysis, independent component analysis in an unsupervised learning setting. The chapter moves on to include more advanced topics on generalized latent variable topic models based on hierarchical Dirichlet processes which recently have been developed in non-parametric Bayesian literature. The final chapter discusses aspects of dependence modeling, primarily focusing on the role of extreme tail-dependence modeling, copulas, and their role in wireless communications system models.