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: Ashok N Srivastava, Jiawei Han سری: Chapman & Hall/CRC data mining and knowledge discovery series ISBN (شابک) : 9781439841785, 1439841780 ناشر: Chapman & Hall/CRC سال نشر: 2011 تعداد صفحات: xxxvii, 464 p.. ; 24 cm [490] 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 Machine learning and knowledge discovery for engineering systems health management 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 کشف دانش برای مدیریت سیستم های مدیریت مهندسی 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 کشف دانش برای مدیریت سلامت سیستم های مهندسی ابزارها و تکنیک های پیشرفته ای را برای تشخیص خودکار، تشخیص و پیش بینی اثرات حوادث نامطلوب در یک سیستم مهندسی شده ارائه می دهد. با مشارکت بسیاری از مقامات ارشد در این زمینه، این جلد اولین کتابی است که دو حوزه یادگیری ماشین و مدیریت سلامت سیستم ها را گرد هم می آورد. این کتاب که به سه بخش تقسیم شده است، توضیح میدهد که چگونه الگوریتمها و روشهای اساسی هر دو رویکرد مبتنی بر فیزیک و دادهمحور به طور موثر مدیریت سلامت سیستمها را مورد توجه قرار میدهند. بخش اول متن روشهای مبتنی بر داده را برای تشخیص ناهنجاری، تشخیص، و پیشآگهی جریانهای داده عظیم و معیارهای عملکرد مرتبط توصیف میکند. همچنین تجزیه و تحلیل گزارشهای متنی را با استفاده از رویکردهای جدید یادگیری ماشین نشان میدهد که به تشخیص و تمایز بین حالتهای خرابی کمک میکند. بخش دوم بر روشهای مبتنی بر فیزیک برای تشخیص و پیشآگهی تمرکز میکند، و چگونگی تطبیق این روشها با دادههای مشاهدهشده را بررسی میکند. این رویکردهای مبتنی بر فیزیک، دادهمحور و ترکیبی برای مطالعه انتشار آسیب و پیشآگهی در مواد کامپوزیتی و موتورهای موشک جامد را پوشش میدهد. بخش سوم استفاده از یادگیری ماشین و رویکردهای مبتنی بر فیزیک در مراکز داده توزیع شده، موتورهای هواپیما و سیستمهای نرمافزاری همزمان تعبیهشده را مورد بحث قرار میدهد. این کتاب با انعکاس ماهیت بین رشتهای این زمینه، نشان میدهد که چگونه تکنیکهای مختلف یادگیری ماشین و کشف دانش در تجزیه و تحلیل سیستمهای مهندسی پیچیده استفاده میشوند. بر اهمیت این تکنیک ها در مدیریت تعاملات پیچیده درون و بین سیستم ها برای حفظ درجه بالایی از قابلیت اطمینان تاکید می کند.
Machine Learning and Knowledge Discovery for Engineering Systems Health Management presents state-of-the-art tools and techniques for automatically detecting, diagnosing, and predicting the effects of adverse events in an engineered system. With contributions from many top authorities on the subject, this volume is the first to bring together the two areas of machine learning and systems health management. Divided into three parts, the book explains how the fundamental algorithms and methods of both physics-based and data-driven approaches effectively address systems health management. The first part of the text describes data-driven methods for anomaly detection, diagnosis, and prognosis of massive data streams and associated performance metrics. It also illustrates the analysis of text reports using novel machine learning approaches that help detect and discriminate between failure modes. The second part focuses on physics-based methods for diagnostics and prognostics, exploring how these methods adapt to observed data. It covers physics-based, data-driven, and hybrid approaches to studying damage propagation and prognostics in composite materials and solid rocket motors. The third part discusses the use of machine learning and physics-based approaches in distributed data centers, aircraft engines, and embedded real-time software systems. Reflecting the interdisciplinary nature of the field, this book shows how various machine learning and knowledge discovery techniques are used in the analysis of complex engineering systems. It emphasizes the importance of these techniques in managing the intricate interactions within and between the systems to maintain a high degree of reliability.
Content: Data-Driven Methods for Systems Health Management Mining Data Streams: Systems and Algorithms, Charu C. Aggarwal and Deepak S. Turaga A Tutorial on Bayesian Networks for Systems Health Management, Arthur Choi, Lu Zheng, Adnan Darwiche, and Ole J. Mengshoel Anomaly Detection in a Fleet of Systems, Nikunij Oza and Santanu Das Discriminative Topic Models, Hanhuai Shan, Amrudin Agovic, and Arindam Banerjee Prognostic Performance Metrics, Kai Goebel, Abhinav Saxena , Sankalita Saha, Bhaskar Saha, and Jose Celaya Physics-Based Methods for Systems Health Management Gaussian Process Damage Prognosis under Random and Flight Profile Fatigue Loading, Aditi Chattopadhyay and Subhasish Mohanty Bayesian Analysis for Fatigue Damage Prognostics and Remaining Useful Life Prediction, Xuefei Guan and Yongming Liu Physics-Based Methods of Failure Analysis and Diagnostics in Human Space Flight, V.N. Smelyanskiy, D.G. Luchinsky, V. Hafiychuk, V.V. Osipov, I. Kulikov, and A. Patterson-Hine Model-Based Tools and Techniques for Real-Time System and Software Health Management, Sherif Abdelwahed, Abhishek Dubey, Gabor Karsai, and Nag Mahadevan Applications Real-Time Identification of Performance Problems in Large Distributed Systems, Moises Goldszmidt, Dawn Woodard, and Peter Bodik A Combined Model-Based and Data-Driven Prognostic Approach for Aircraft System Life Management, Marcos Orchard, George Vachtsevanos, and Kai Goebel Hybrid Models for Engine Health Management, Allan J. Volponi and Ravi Rajamani Extracting Critical Information from Free Text Data for Systems Health Management, Anne Kao, Stephen Poteet, and David Augustine Index