فصل آخر، تجزیه ماتریس غیر منفی (NMF) را معرفی می کند. NMF یک تکنیک قدرتمند برای کشف ویژگی های قابل تفسیر در مجموعه داده ها است و داده‌ها را به بخش‌هایی تجزیه می‌کند که غیرمنفی هستند، و آن را به ویژه برای کاربردهایی که قابلیت تفسیر در آنها کلیدی است، مانند مدل‌سازی موضوع در داده‌های متنی یا استخراج الگوها از تصاویر، مناسب می‌سازد.
در این فصل، چگونگی استفاده از NMF برای کشف عوامل پنهان در داده ها و نحوه استفاده از آن برای حل مسائل دنیای واقعی، مانند ساخت سیستم های توصیه‌کننده، بررسی می شود. این فصل با ساختن یک سیستم توصیه‌کننده عملی که مقالات یا هنرمندان موسیقی را با شناسایی موضوعات یا ویژگی‌های اساسی با استفاده از NMF و همچنین استفاده از تشابه کسینوسی، پیشنهاد می‌کند، به انتها می‌رسد.
این بخش NMF را معرفی می‌کند و نشان می‌دهد که چگونه NMF می‌تواند مجموعه داده‌های پیچیده، مانند آرایه‌های فرکانس کلمات را با شناسایی اجزای معنی‌دار ساده کند.
👈 NMF یک تکنیک کاهش بعد است که داده ها را به بخش های قابل تفسیر تجزیه می کند و هر نمونه را به عنوان ترکیبی از تم ها یا الگوها نشان می دهد. برخلاف NMF ، PCA نیاز دارد که تمام مقادیر داده‌ها غیرمنفی باشند.