دانلود کتاب یادگیری از داده ها برای محیط های آبی و ژئوتکنیکی بعد از پرداخت مقدور خواهد بود
توضیحات کتاب در بخش جزئیات آمده است و می توانید موارد را مشاهده فرمایید
در صورت ایرانی بودن نویسنده امکان دانلود وجود ندارد و مبلغ عودت داده خواهد شد
نام کتاب : Learning from Data for Aquatic and Geotechnical Environments
عنوان ترجمه شده به فارسی : یادگیری از داده ها برای محیط های آبی و ژئوتکنیکی
سری :
نویسندگان : Biswa Bhattacharya
ناشر : Taylor & Francis
سال نشر : 2005
تعداد صفحات : 0
ISBN (شابک) : 9780415889483 , 0415889480
زبان کتاب : English
فرمت کتاب : rar درصورت درخواست کاربر به PDF تبدیل می شود
حجم کتاب : 9 مگابایت
بعد از تکمیل فرایند پرداخت لینک دانلود کتاب ارائه خواهد شد. درصورت ثبت نام و ورود به حساب کاربری خود قادر خواهید بود لیست کتاب های خریداری شده را مشاهده فرمایید.
این کتاب یادگیری ماشینی را به عنوان رویکردی برای ساخت مدلهایی ارائه میکند که از دادهها یاد میگیرند و میتوانند برای تکمیل روش مدلسازی موجود در محیطهای آبی و ژئوتکنیکی استفاده شوند. مفاهیم یادگیری از داده ها را ارائه می دهد و تقسیم بندی (خوشه بندی)، طبقه بندی، رگرسیون و کنترل را به عنوان وظایف یادگیری شناسایی می کند. یک روش یکپارچه بر اساس مفاهیم یادگیری ماشین، نظریه اطلاعات و آمار ارائه شده است که می تواند برای ساخت مدل هایی با استفاده از داده ها و همچنین دانش تخصصی دنبال شود. چندین روش یادگیری ماشین برای استخراج ویژگی ها برای ساخت مدل های داده محور در ژئوتکنیک استفاده می شود. مجموعهای از مدلهای رگرسیونی برای پیشبینی نرخ انتقال رسوب و ارزیابی رسوبگذاری بندر ساخته شدهاند. کنترلکنندههایی که استراتژی کنترل کنترلکنندههای بهینه مبتنی بر مدل سیستمهای آب را تکرار میکنند، برای موقعیتهایی ساخته میشوند که تصمیمات سریع و دقیق مورد نیاز است. مدل های ساخته شده عملکرد عالی را نشان می دهند. آنها ممکن است مکمل یا حتی جایگزین مدل های موجود باشند و می توانند در عمل مورد استفاده قرار گیرند. عملکرد مدل ها اثربخشی روش شناسی و یادگیری ماشین را به طور کلی ثابت می کند.
The book presents machine learning as an approach to building models that learn from data, and that can be used to complement the existing modelling practice in aquatic and geotechnical environments. It provides concepts of learning from data, and identifies segmentation (clustering), classification, regression and control as the learning tasks. A unified methodology based on the concepts of machine learning, information theory and statistics is presented that can be followed to build models using data as well as expert knowledge. Several machine learning methods are used to extract features to build data-driven models in geotechnics. A set of regression models are built to predict sediment transport rates and assess harbour sedimentation. Controllers that replicate the control strategy of model-based optimal controllers of water systems are built for situations where fast and accurate decisions are needed. The models built demonstrate excellent performance; they may complement or even replace the existing models and can be used in practice. The performance of the models proves the effectiveness of the methodology and machine learning in general.