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: [1st ed.] نویسندگان: Jun Zhao, Wei Wang, Chunyang Sheng سری: Information Fusion and Data Science ISBN (شابک) : 9783319940502 ناشر: Springer International Publishing سال نشر: 2018 تعداد صفحات: XVI, 443 [453] زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 16 Mb
در صورت تبدیل فایل کتاب Data-Driven Prediction for Industrial Processes and Their Applications 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 پیش بینی مبتنی بر داده برای فرآیندهای صنعتی و کاربردهای آنها 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 روشها و الگوریتمهای مدلسازی را برای پیشبینی مبتنی بر داده و پیشبینی فرآیند صنعتی عملی با استفاده از روشهای یادگیری ماشین و آمار ارائه میکند. مطالعات موردی مرتبط، به ویژه در مورد سیستم های انرژی در صنعت فولاد نیز مورد بررسی و تجزیه و تحلیل قرار می گیرد. مطالعات موردی در این جلد به طور کامل در مسائل پیشبینی مبتنی بر دادههای کلاسیک و الزامات عمل صنعتی ریشه دارد. شکلها و جداول تفصیلی اثربخشی و تعمیم روشهای مورد بررسی را نشان میدهند، و طبقهبندی مشکلات پیشبینی پرداختهشده، به جای مقولههای آکادمیک، ناشی از تقاضاهای صنعتی عملی است. به این ترتیب، خوانندگان رویکردهای مربوطه را برای حل مشکلات فنی صنعتی خود خواهند آموخت. اگرچه مطالب این کتاب و مطالعات موردی آن برگرفته از صنعت فولاد است، اما می توان از این تکنیک ها برای سایر صنایع فرآیندی نیز استفاده کرد. این کتاب برای دانشجویان، محققان و متخصصان در جوامع یادگیری ماشینی و تجزیه و تحلیل داده ها و کاوی جذاب است.
This book presents modeling methods and algorithms for data-driven prediction and forecasting of practical industrial process by employing machine learning and statistics methodologies. Related case studies, especially on energy systems in the steel industry are also addressed and analyzed. The case studies in this volume are entirely rooted in both classical data-driven prediction problems and industrial practice requirements. Detailed figures and tables demonstrate the effectiveness and generalization of the methods addressed, and the classifications of the addressed prediction problems come from practical industrial demands, rather than from academic categories. As such, readers will learn the corresponding approaches for resolving their industrial technical problems. Although the contents of this book and its case studies come from the steel industry, these techniques can be also used for other process industries. This book appeals to students, researchers, and professionals within the machine learning and data analysis and mining communities.