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: 1 نویسندگان: Alan H. Fielding (auth.), Alan H. Fielding (eds.) سری: ISBN (شابک) : 9781461374138, 9781461552895 ناشر: Springer US سال نشر: 1999 تعداد صفحات: 264 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 19 مگابایت
کلمات کلیدی مربوط به کتاب روش های یادگیری ماشین برای کاربردهای زیست محیطی: اکولوژی، هوش مصنوعی (شامل رباتیک)
در صورت تبدیل فایل کتاب Machine Learning Methods for Ecological 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 روش های یادگیری ماشین برای کاربردهای زیست محیطی 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.
بدون دستیابی به وسعت، تبدیل شدن به یک بوم شناس دشوار است~ برای مثال، از ما انتظار می رود که آماردانان و طبقه شناسان شایسته ای باشیم که اهمیت فرآیندهای مکانی و زمانی را درک می کنند، در حالی که پتانسیل ارائه شده توسط تکنیک هایی مانند RAPD را می شناسیم. بنابراین، با کمی نگرانی مجموعهای از روشهای بالقوه مفید را ارائه میدهیم که برای اکثر اکولوژیستها ناآشنا و احتمالاً بیگانه خواهد بود. من احساس پیری نمی کنم، اما زمانی که در حال انجام تحقیقات تکمیلی بودم، ماشین حساب آزمایشگاهی ما مکانیکی بود. زمانی که یک ماشین حساب الکترونیکی گران قیمت باورنکردنی به دست آوردیم، در سال تحصیلی من، هیجان زیادی وجود داشت. بعداً از طریق مجموعهای از کارتهای پانچ شده به سمت اجرای ~obs بر روی یک مینی کامپیوتر PRIME رفتم. کسانی که از مشکلات کامپیوترهای فعلی شاکی هستند، نمی دانند چقدر خوش شانس هستند! در سال 1984 کتابی با عنوان "محاسبات برای زیست شناسان" نوشتم. اگرچه عمدتاً به نوشتن برنامه های کوتاه توجه داشت، اما به جنبه های گسترده تری از نقش رایانه در علوم زیستی نیز توجه داشت. یادگیری ماشین در آن کتاب ذکر نشده است، احتمالاً به دلیل ناآگاهی، اما همچنین به دلیل ناشناخته بودن روش ها در خارج از تعداد نسبتاً کمی از کارگران در حوزه گسترده ای که اکنون به عنوان یادگیری ماشین شناخته می شود. در طول سال 1985، من یک سال تعطیل را در دانشگاه یورک گذراندم و برنامه کارشناسی ارشد محاسبات زیستی آنها را دنبال کردم. این دوره ترکیبی منحصر به فرد از علوم کامپیوتر، ریاضیات و آمار بود.
It is difficult to become an ecologist withou,t acquiring some breadth~ For example, we are expected to be competent statisticians and taxonomists who appreciate the importance of spatial and temporal processes, whilst recognising the potential offered by techniques such as RAPD. It is, therefore, with some trepidation that we offer a collection of potentially useful methods that will be unfamiliar, and possibly alien, to most ecologists. I don't feel old, but when I was undertaking my postgraduate research our lab calculator was mechanical. There was great excitement in my fmal year when we obtained an unbelievably expensive electronic calculator. Later I progressed to running ~obs' on a PRIME minicomputer via a collection of punched cards. Those who complain about the problems with current computers don't know how lucky they are! In 1984 I wrote a book entitled 'Computing for Biologists'. Although it was mainly concerned with writing short programs it did also look at wider aspects of the role of computers in the biological sciences. Machine learning was not mentioned in that book, probably because of ignorance but also because the methods were relatively unknown outside of the relatively small number of workers in the broad field that is now known as machine learning. During 1985 I spent a sabbatical year at York University, following their Biological Computation masters programme. This course was a unique blend of computer science, mathematics and statistics.
Front Matter....Pages i-xiii
An introduction to machine learning methods....Pages 1-35
Artificial neural networks for pattern recognition....Pages 37-87
Tree-based methods....Pages 89-105
Genetic Algorithms I....Pages 107-121
Genetic Algorithms II....Pages 123-144
Cellular automata....Pages 145-183
Equation discovery with ecological applications....Pages 185-207
How should accuracy be measured?....Pages 209-223
Real learning....Pages 225-246
Back Matter....Pages 247-261