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: Patrick Bangert (ed.)
سری:
ISBN (شابک) : 9780128197424
ناشر: Elsevier
سال نشر: 2021
تعداد صفحات: 260
[262]
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 5 Mb
در صورت تبدیل فایل کتاب Machine Learning and Data Science in the Power Generation Industry: Best Practices, Tools, and Case Studies 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 یادگیری ماشین و علم داده در صنعت تولید برق: بهترین شیوه ها ، ابزارها و مطالعات موردی 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.
یادگیری ماشین و علم داده در صنعت تولید برق بهترین شیوههای کنونی را بررسی میکند و ارزش افزوده در توسعه برنامههای محاسباتی دادهمحور در صنعت برق را با تمرکز ویژه بر مطالعات موردی در دنیای واقعی که به طور متفکرانه انتخاب شدهاند را کمیسازی میکند. مجموعه ای از مسیرهای واقع بینانه برای سازمان هایی که به دنبال توسعه روش های یادگیری ماشین هستند، با بحث در مورد انتخاب داده ها و نظارت و همچنین اجرای سازمانی از نظر کارکنان و عملیاتی سازی ادامه می دهد. مجموعهای از بهترین شیوههای مبتنی بر مطالعه موردی، از جمله منابع انرژی تجدیدپذیر، شبکه هوشمند، و امور مالی پیرامون بازارهای نقدی و پیشبینی را بیان میکند. ارائه بهترین شیوه ها در مورد نحوه طراحی و راه اندازی پروژه های ML در سیستم های قدرت، از جمله تمام جنبه های غیرفناوری لازم برای موفقیت. نتایج ممکن است مورد انتظار باشد، و اینکه چگونه داده ها باید برای آنها آماده شوند، نیازهای داده خاص برای جمع آوری، پردازش و عملیاتی کردن داده ها در الگوریتم های یادگیری ماشین برای سیستم های قدرت را تعیین می کند. هم بهترین شیوه ها و هم دام های بالقوه
Machine Learning and Data Science in the Power Generation Industry explores current best practices and quantifies the value-add in developing data-oriented computational programs in the power industry, with a particular focus on thoughtfully chosen real-world case studies. It provides a set of realistic pathways for organizations seeking to develop machine learning methods, with a discussion on data selection and curation as well as organizational implementation in terms of staffing and continuing operationalization. It articulates a body of case study-driven best practices, including renewable energy sources, the smart grid, and the finances around spot markets, and forecasting. Provides best practices on how to design and set up ML projects in power systems, including all nontechnological aspects necessary to be successful Explores implementation pathways, explaining key ML algorithms and approaches as well as the choices that must be made, how to make them, what outcomes may be expected, and how the data must be prepared for them Determines the specific data needs for the collection, processing, and operationalization of data within machine learning algorithms for power systems Accompanied by numerous supporting real-world case studies, providing practical evidence of both best practices and potential pitfalls