Deep Learning and Missing Data in Engineering Systems

یادگیری عمیق و داده های گمشده در سیستم های مهندسی از روش های یادگیری عمیق و هوش ازدحامی برای پوشش تخمین داده های گمشده در سیستم های مهندسی استفاده می کند. فرآیندهای تخمین داده های گمشده ارائه شده در کتاب را می توان در تشخیص و بازسازی تصویر به کار برد. برای تسهیل در انتساب داده های از دست رفته، چندین رویکرد هوش مصنوعی ارائه شده است، از جمله:

• شبکه های عصبی رمزگذار خودکار عمیق؛
• شبکه های رمزگذار خودکار حذف نویز عمیق؛
• الگوریتم خفاش ;
• الگوریتم جستجوی فاخته؛ و
• الگوریتم کرم شب تاب.

مدل‌های ترکیبی پیشنهادی برای تخمین دقیق‌تر داده‌های گمشده در تنظیمات داده‌های با ابعاد بالا استفاده می‌شوند. الگوریتم‌های هوش ازدحامی برای پاسخگویی به سؤالات مهم مانند انتخاب مدل و تخمین پارامتر مدل استفاده می‌شوند. نویسندگان به استخراج ویژگی به منظور بازسازی داده های ورودی از ابعاد کاهش یافته با استفاده از شبکه های عصبی خودکار رمزگذار عمیق می پردازند. آنها مدل‌های جدید را به صورت نموداری نشان می‌دهند، یافته‌های خود را در جداول گزارش می‌کنند تا روش‌های خود را بر مبنای آماری صحیح قرار دهند. روش‌های پیشنهادی با حفظ ویژگی‌های شناخته شده ماتریس داده، فرآیند تخمین داده‌ها را سرعت می‌بخشد.

این کتاب منبع اطلاعاتی ارزشمندی برای محققان و دست اندرکاران علم داده است. دانشجویان پیشرفته در مقطع کارشناسی و کارشناسی ارشد که موضوعات مربوط به هوش محاسباتی و کلان داده را مطالعه می کنند، همچنین می توانند از این کتاب به عنوان مرجعی برای شناسایی و معرفی محورهای تحقیقاتی جدید در برآورد داده های گمشده استفاده کنند.

Deep Learning and Missing Data in Engineering Systems uses deep learning and swarm intelligence methods to cover missing data estimation in engineering systems. The missing data estimation processes proposed in the book can be applied in image recognition and reconstruction. To facilitate the imputation of missing data, several artificial intelligence approaches are presented, including:

• deep autoencoder neural networks;
• deep denoising autoencoder networks;
• the bat algorithm;
• the cuckoo search algorithm; and
• the firefly algorithm.

The hybrid models proposed are used to estimate the missing data in high-dimensional data settings more accurately. Swarm intelligence algorithms are applied to address critical questions such as model selection and model parameter estimation. The authors address feature extraction for the purpose of reconstructing the input data from reduced dimensions by the use of deep autoencoder neural networks. They illustrate new models diagrammatically, report their findings in tables, so as to put their methods on a sound statistical basis. The methods proposed speed up the process of data estimation while preserving known features of the data matrix.

This book is a valuable source of information for researchers and practitioners in data science. Advanced undergraduate and postgraduate students studying topics in computational intelligence and big data, can also use the book as a reference for identifying and introducing new research thrusts in missing data estimation.