Machine Learning for Spatial Environmental Data. Theory, Applications and Software

دسته بندی: سایبرنتیک: هوش مصنوعی
ویرایش:  
نویسندگان: Kanevski M.,  Pozdnoukhov A.,  Timonin V.  
سری:  
 
ناشر:  
سال نشر:  
تعداد صفحات: 380 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 9 مگابایت 

قیمت کتاب (تومان) : 54,000

Издательство EPFL Press, 2009, -380 pp. این کتاب به تجزیه و تحلیل، مدل‌سازی و تجسم داده‌های محیطی فضایی با استفاده از الگوریتم‌های یادگیری ماشین اختصاص دارد. در یک مفهوم گسترده، یادگیری ماشین را می توان زیر شاخه هوش مصنوعی در نظر گرفت. موضوع عمدتاً به توسعه تکنیک ها و الگوریتم هایی مربوط می شود که به رایانه ها اجازه می دهد از داده ها یاد بگیرند. در این کتاب، الگوریتم‌های یادگیری ماشین برای استفاده با داده‌های محیطی فضایی با هدف ایجاد پیش‌بینی‌های فضایی سازگار شده‌اند.
چرا یادگیری ماشینی؟ یک پاسخ کوتاه می تواند این باشد که، به عنوان ابزار مدل سازی، اکثر الگوریتم های یادگیری ماشین جهانی، تطبیقی، غیرخطی، قوی و کارآمد هستند. آن‌ها می‌توانند راه‌حل‌های قابل قبولی برای طبقه‌بندی، رگرسیون و مسائل مدل‌سازی چگالی احتمال در فضاهای با ویژگی‌های جغرافیایی با ابعاد بالا، متشکل از فضای جغرافیایی و ویژگی‌های فضایی مرتبط دیگر پیدا کنند. آنها به خوبی برای پیاده سازی به عنوان موتورهای پیش بینی برای سیستم های پشتیبانی تصمیم، به منظور داده کاوی محیطی، از جمله تشخیص الگو، مدل سازی و پیش بینی، و نقشه برداری خودکار داده، مناسب هستند. آنها به طور کارآمدی با مدل‌های زمین آماری در فضاهای جغرافیایی کم‌بعد رقابت می‌کنند، اما در فضاهای جغرافیایی با ابعاد بالا ضروری هستند.
این کتاب مکمل اثر قبلی است [M. Kanevski and M. Maignan, Analysis and Modeling of Spatial Environmental Data, EPFL Press, 288 p., 2004] که در آن موضوعات اصلی مربوط به تجزیه و تحلیل داده ها با استفاده از پیش بینی ها و شبیه سازی های زمین آماری بود. کتاب حاضر نیز همین ارائه را دنبال می کند: نظریه، کاربردها، ابزارهای نرم افزاری و مثال های صریح. ما امیدواریم که این سازمان به درک بهتر الگوریتم های اعمال شده کمک کند و منجر به پذیرش این کتاب برای آموزش و تحقیق در کاربردهای یادگیری ماشین در علوم جغرافیایی و محیطی شود. بنابراین، بخش مهمی از کتاب مجموعه ای از ابزارهای نرم افزاری - دفتر یادگیری ماشین - است که در ده سال گذشته توسعه یافته است. دفتر یادگیری ماشین هم برای آموزش و هم برای انجام تحقیقات بنیادی و کاربردی استفاده شده است. ما چندین الگوریتم یادگیری ماشین و مدل‌های مورد علاقه برای علوم زمین و محیط زیست را در این نرم‌افزار پیاده‌سازی کرده‌ایم: پرسپترون چند لایه (اسب کار یادگیری ماشین). شبکه های عصبی رگرسیون عمومی شبکه های عصبی احتمالی؛ نقشه های خودسازماندهی؛ ماشین های بردار پشتیبانی؛ مدل های مخلوط گاوسی; و شبکه های مبتنی بر توابع شعاعی. ابزارهای تکمیلی مفید برای تجزیه و تحلیل داده های اکتشافی و تجسم نیز ارائه شده است. این نرم افزار برای کاربر پسند بودن بهینه شده است. یادگیری از داده های مکانی
تحلیل داده های مکانی اکتشافی. ارائه داده ها و مطالعات موردی
زمین آمار
شبکه های عصبی مصنوعی
پشتیبانی ماشین های بردار و روش های هسته

Издательство EPFL Press, 2009, -380 pp. The book is devoted to the analysis, modelling and visualisation of spatial environmental data using machine learning algorithms. In a broad sense, machine learning can be considered a subfield of artificial intelligence; the subject is mainly concerned with the development of techniques and algorithms that allow computers to learn from data. In this book, machine learning algorithms are adapted for use with spatial environmental data with the goal of making spatial predictions.
Why machine learning? A brief reply would be that, as modelling tools, most machine learning algorithms are universal, adaptive, nonlinear, robust and efficient. They can find acceptable solutions for the classification, regression, and probability density modelling problems in high-dimensional geo-feature spaces, composed of geographical space and additional relevant spatially referenced features. They are well suited to be implemented as predictive engines for decision-support systems, for the purpose of environmental data mining, including pattern recognition, modelling and predictions, and automatic data mapping. They compete efficiently with geostatistical models in low-dimensional geographical spaces, but they become indispensable in high-dimensional geofeature spaces.
The book is complementary to a previous work [M. Kanevski and M. Maignan, Analysis and Modelling of Spatial Environmental Data, EPFL Press, 288 p., 2004] in which the main topics were related to data analysis using geostatistical predictions and simulations. The present book follows the same presentation: theory, applications, software tools and explicit examples. We hope that this organization will help to better understand the algorithms applied and lead to the adoption of this book for teaching and research in machine learning applications to geo- and environmental sciences. Therefore, an important part of the book is a collection of software tools – the Machine Learning Office – developed over the past ten years. The Machine Learning Office has been used both for teaching and for carrying out fundamental and applied research. We have implemented several machine learning algorithms and models of interest for geo- and environmental sciences into this software: the multilayer perceptron (a workhorse of machine learning); general regression neural networks; probabilistic neural networks; self-organizing maps; support vector machines; Gaussian mixture models; and radial basis-functions networks. Complementary tools useful for exploratory data analysis and visualisation are provided as well. The software has been optimized for user friendliness. Learning from Geospatial Data
Exploratory Spatial Data Analysis. Presentation of Data and Case Studies
Geostatistics
Artificial Neural Networks
Support Vector Machines and Kernel Methods