A Primer on Machine Learning in Subsurface Geosciences

این کتاب بررسی و بحث به موقع در مورد موفقیت، وعده و خطرات یادگیری ماشین در علوم زمین را در اختیار خوانندگان قرار می دهد. این مبانی علم داده و یادگیری ماشین را بررسی می‌کند و اینکه چگونه پیشرفت‌های آن‌ها جریان‌های کاری سنتی مورد استفاده در صنعت و دانشگاه، از جمله زمین‌شناسی، ژئوفیزیک، پتروفیزیک، ژئومکانیک و ژئوشیمی را مختل کرده است. سپس برنامه‌های کاربردی دنیای واقعی را ارائه می‌کند و توضیح می‌دهد که در حالی که این اختلال بر مدیران سطح بالا، دانشمندان علوم زمین و همچنین اپراتورهای میدانی در صنعت و دانشگاه تأثیر گذاشته است، یادگیری ماشین در نهایت به نفع این کاربران خواهد بود. این کتاب توسط یک متخصص یادگیری ماشین و آمار نوشته شده است و دانشمندان زمین شناسی را در ذهن نگه می دارد. این نیاز به فراتر رفتن از مفاهیم تحت پوشش در دوره های STAT 101 و استفاده از ابزارهای محاسباتی جدید برای حل مسائل پیچیده در علوم زمین را برجسته می کند. همچنین به پزشکان، محققان و دانشگاهیان بینش هایی در مورد چگونگی شناسایی، توسعه، استقرار و توصیه مدل های یادگیری ماشینی مناسب برای حل مشکلات دنیای واقعی در علوم زمین زیرسطحی ارائه می دهد.

This book provides readers with a timely review and discussion of the success, promise, and perils of machine learning in geosciences. It explores the fundamentals of data science and machine learning, and how their advances have disrupted the traditional workflows used in the industry and academia, including geology, geophysics, petrophysics, geomechanics, and geochemistry. It then presents the real-world applications and explains that, while this disruption has affected the top-level executives, geoscientists as well as field operators in the industry and academia, machine learning will ultimately benefit these users. The book is written by a practitioner of machine learning and statistics, keeping geoscientists in mind. It highlights the need to go beyond concepts covered in STAT 101 courses and embrace new computational tools to solve complex problems in geosciences. It also offers practitioners, researchers, and academics insights into how to identify, develop, deploy, and recommend fit-for-purpose machine learning models to solve real-world problems in subsurface geosciences.