دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش:
نویسندگان: Ansgar Steland. Kwok-Leung Tsui
سری:
ISBN (شابک) : 3031071549, 9783031071546
ناشر: Springer
سال نشر: 2022
تعداد صفحات: 377
[378]
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 11 Mb
در صورت تبدیل فایل کتاب Artificial Intelligence, Big Data and Data Science in Statistics: Challenges and Solutions in Environmetrics, the Natural Sciences and Technology به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب هوش مصنوعی، کلان داده ها و علم داده در آمار: چالش ها و راه حل ها در محیط سنجی، علوم طبیعی و فناوری نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
این کتاب تعامل بین آمار، علم داده، یادگیری ماشین و هوش مصنوعی را با تمرکز بر علوم محیطی، علوم طبیعی و فناوری مورد بحث قرار میدهد. این وضعیت هنر را از نظر تئوری و عملی پوشش میدهد و نحوه به کارگیری موفقیتآمیز روشهای یادگیری ماشین را توضیح میدهد و مزایای آمار برای مدلسازی و تجزیه و تحلیل دادههای با ابعاد بالا و بزرگ را نشان میدهد. مشارکتهای تخصصی این کتاب شامل مطالعات نظری روشهای یادگیری ماشین، ارائه روشهای کلی برای تحلیلهای آماری صحیح دادهها و همچنین رویکردهای جدید برای مدلسازی و تحلیل دادهها برای مسائل و حوزههای خاص است. از نظر کاربردها، مشارکتها با دادههای ناشی از کنترل کیفیت صنعتی، رانندگی مستقل، حملونقل و ترافیک، تولید تراشه، فتوولتائیک، فوتبال، انتقال بیماریهای عفونی، کووید-19 و سلامت عمومی سروکار دارند. این کتاب برای آماردانان و دانشمندان داده، و همچنین مهندسان و دانشمندان کامپیوتری که در زمینه ها یا برنامه های مرتبط کار می کنند، جذاب خواهد بود.
This book discusses the interplay between statistics, data science, machine learning and artificial intelligence, with a focus on environmental science, the natural sciences, and technology. It covers the state of the art from both a theoretical and a practical viewpoint and describes how to successfully apply machine learning methods, demonstrating the benefits of statistics for modeling and analyzing high-dimensional and big data. The book’s expert contributions include theoretical studies of machine learning methods, expositions of general methodologies for sound statistical analyses of data as well as novel approaches to modeling and analyzing data for specific problems and areas. In terms of applications, the contributions deal with data as arising in industrial quality control, autonomous driving, transportation and traffic, chip manufacturing, photovoltaics, football, transmission of infectious diseases, Covid-19 and public health. The book will appeal to statisticians and data scientists, as well as engineers and computer scientists working in related fields or applications.