ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Machine Learning Methods in the Environmental Sciences: Neural Networks and Kernels

دانلود کتاب روش‌های یادگیری ماشین در علوم محیطی: شبکه‌های عصبی و هسته‌ها

Machine Learning Methods in the Environmental Sciences: Neural Networks and Kernels

مشخصات کتاب

Machine Learning Methods in the Environmental Sciences: Neural Networks and Kernels

ویرایش: 1 
نویسندگان:   
سری:  
ISBN (شابک) : 0521791928, 9780511595578 
ناشر: Cambridge University Press 
سال نشر: 2009 
تعداد صفحات: 365 
زبان: English  
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 4 مگابایت

قیمت کتاب (تومان) : 62,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 9


در صورت تبدیل فایل کتاب Machine Learning Methods in the Environmental Sciences: Neural Networks and Kernels 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 روش‌های یادگیری ماشین در علوم محیطی: شبکه‌های عصبی و هسته‌ها 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.


توضیحاتی در مورد کتاب روش‌های یادگیری ماشین در علوم محیطی: شبکه‌های عصبی و هسته‌ها

روش های یادگیری ماشینی از هوش مصنوعی سرچشمه گرفته و امروزه در زمینه های مختلف در علوم محیطی مورد استفاده قرار می گیرند. این اولین کتاب درسی تک تالیفی است که درمان یکپارچه ای از روش های یادگیری ماشین و کاربردهای آنها در علوم محیطی ارائه می دهد. امروزه روش‌های یادگیری ماشینی به دلیل قابلیت مدل‌سازی غیرخطی قدرتمندی که دارند در پردازش داده‌های ماهواره‌ای، مدل‌های گردش عمومی (GCM)، پیش‌بینی آب و هوا و اقلیم، پیش‌بینی کیفیت هوا، تجزیه و تحلیل و مدل‌سازی داده‌های محیطی، پیش‌بینی اقیانوس‌شناسی و هیدرولوژیکی، مدل‌سازی اکولوژیکی، استفاده می‌شوند. و نظارت بر برف، یخ و جنگل ها. این کتاب شامل سوالات بررسی پایان فصل و پیوستی است که وب‌سایت‌های دانلود کد رایانه و منابع داده را فهرست می‌کند. یک وب‌سایت منابع حاوی مجموعه داده‌ها برای تمرین‌ها و راه‌حل‌های محافظت‌شده با رمز عبور در دسترس است. این کتاب برای دانشجویان سال اول کارشناسی ارشد و کارشناسی ارشد مناسب است. همچنین برای محققان و دست اندرکاران علوم محیطی که علاقه مند به استفاده از این روش های جدید در کار خود هستند، ارزشمند است. مقدمه گزیده یادگیری ماشینی یک زیرشاخه اصلی در هوش محاسباتی است (که به آن هوش مصنوعی نیز می گویند). هدف اصلی آن استفاده از روش های محاسباتی برای استخراج اطلاعات از داده ها است. روش‌های شبکه عصبی، که عموماً به عنوان موج اول پیشرفت در یادگیری ماشین در نظر گرفته می‌شوند، در اواخر دهه 1980 رایج شدند، در حالی که روش‌های هسته در نیمه دوم دهه 1990 وارد موج دوم شدند. این اولین کتاب درسی تک‌نویسنده‌ای است که به روش‌های یادگیری ماشینی و کاربردهای آن‌ها در علوم محیطی پرداخته است. روش های یادگیری ماشینی در دهه 1990 شروع به نفوذ به علوم محیطی کردند. امروزه، به لطف قابلیت مدل‌سازی غیرخطی قدرتمندشان، دیگر گونه‌های حاشیه‌ای عجیب و غریب نیستند، زیرا به‌شدت در پردازش داده‌های ماهواره‌ای، در مدل‌های گردش عمومی (GCM)، در پیش‌بینی آب و هوا و اقلیم، پیش‌بینی کیفیت هوا، تحلیل و مدل‌سازی استفاده می‌شوند. داده های زیست محیطی، اقیانوس شناسی و پیش بینی هیدرولوژیکی، مدل سازی اکولوژیکی، و در پایش برف، یخ و جنگل ها و غیره. این کتاب روش های یادگیری ماشینی و کاربردهای آنها را در علوم محیطی (از جمله سنجش از دور ماهواره ای، علوم جوی، علوم آب و هوا، اقیانوس شناسی، هیدرولوژی و بوم شناسی)، در سطحی مناسب برای دانشجویان مقطع کارشناسی ارشد و مقطع کارشناسی پیشرفته نوشته شده است. همچنین برای محققان و دست اندرکاران علوم محیطی که علاقه مند به استفاده از این روش های جدید در کار خود هستند، ارزشمند است. فصل‌های 1-3 که عمدتاً به‌عنوان مطالب پیش‌زمینه برای دانش‌آموزان در نظر گرفته شده است، روش‌های آماری استاندارد مورد استفاده در علوم محیطی را پوشش می‌دهد. روش‌های یادگیری ماشین فصل‌های 4-12 تعمیم‌های غیرخطی قدرتمندی را برای بسیاری از این روش‌های آماری خطی استاندارد ارائه می‌دهند. سوالات مرور پایان فصل گنجانده شده است که به خوانندگان این امکان را می دهد تا مهارت های حل مسئله خود را توسعه دهند و بر درک خود از مطالب ارائه شده نظارت کنند. یک پیوست، وب‌سایت‌های موجود برای دانلود کد رایانه و منابع داده را فهرست می‌کند. یک وب‌سایت منابع حاوی مجموعه داده‌های تمرین‌ها و مطالب اضافی برای به‌روز نگه داشتن کتاب در دسترس است. درباره نویسنده ویلیام دبلیو. او در سطح بین المللی به دلیل کار پیشگام خود در توسعه و به کارگیری روش های یادگیری ماشین در علوم محیطی شناخته شده است. او بیش از 80 نشریه ژورنالی با داوری را منتشر کرده است که حوزه‌های تنوع آب و هوا، یادگیری ماشین، اقیانوس‌شناسی، علوم جوی و هیدرولوژی را پوشش می‌دهد.


توضیحاتی درمورد کتاب به خارجی

Machine learning methods originated from artificial intelligence and are now used in various fields in environmental sciences today. This is the first single-authored textbook providing a unified treatment of machine learning methods and their applications in the environmental sciences. Due to their powerful nonlinear modeling capability, machine learning methods today are used in satellite data processing, general circulation models(GCM), weather and climate prediction, air quality forecasting, analysis and modeling of environmental data, oceanographic and hydrological forecasting, ecological modeling, and monitoring of snow, ice and forests. The book includes end-of-chapter review questions and an appendix listing web sites for downloading computer code and data sources. A resources website containing datasets for exercises, and password-protected solutions are available. The book is suitable for first-year graduate students and advanced undergraduates. It is also valuable for researchers and practitioners in environmental sciences interested in applying these new methods to their own work. Preface Excerpt Machine learning is a major subfield in computational intelligence (also called artificial intelligence). Its main objective is to use computational methods to extract information from data. Neural network methods, generally regarded as forming the first wave of breakthrough in machine learning, became popular in the late 1980s, while kernel methods arrived in a second wave in the second half of the 1990s. This is the first single-authored textbook to give a unified treatment of machine learning methods and their applications in the environmental sciences. Machine learning methods began to infiltrate the environmental sciences in the 1990s. Today, thanks to their powerful nonlinear modeling capability, they are no longer an exotic fringe species, as they are heavily used in satellite data processing, in general circulation models (GCM), in weather and climate prediction, air quality forecasting, analysis and modeling of environmental data, oceanographic and hydrological forecasting, ecological modeling, and in the monitoring of snow, ice and forests, etc. This book presents machine learning methods and their applications in the environmental sciences (including satellite remote sensing, atmospheric science, climate science, oceanography, hydrology and ecology), written at a level suitable for beginning graduate students and advanced undergraduates. It is also valuable for researchers and practitioners in environmental sciences interested in applying these new methods to their own work. Chapters 1-3, intended mainly as background material for students, cover the standard statistical methods used in environmental sciences. The machine learning methods of chapters 4-12 provide powerful nonlinear generalizations for many of these standard linear statistical methods. End-of-chapter review questions are included, allowing readers to develop their problem-solving skills and monitor their understanding of the material presented. An appendix lists websites available for downloading computer code and data sources. A resources website is available containing datasets for exercises, and additional material to keep the book completely up-to-date. About the Author WILLIAM W. HSIEH is a Professor in the Department of Earth and Ocean Sciences and in the Department of Physics and Astronomy, as well as Chair of the Atmospheric Science Programme, at the University of British Columbia. He is internationally known for his pioneering work in developing and applying machine learning methods in environmental sciences. He has published over 80 peer-reviewed journal publications covering areas of climate variability, machine learning, oceanography, atmospheric science and hydrology.



فهرست مطالب

Cover......Page 1
Half-title......Page 3
Machine learning methods in the environmental sciences: Neural networks and kernels......Page 5
Copyright......Page 6
Contents......Page 7
Preface......Page 11
Notation used in this book......Page 13
List of abbreviations......Page 14
1.1 Expectation and mean......Page 17
1.2 Variance and covariance......Page 18
1.3 Correlation......Page 19
1.3.1 Rank correlation......Page 21
1.3.2 Autocorrelation......Page 22
1.4.1 Linear regression......Page 23
1.4.3 Partitioning the variance......Page 25
1.4.4 Multiple linear regression......Page 26
1.4.5 Perfect Prog and MOS......Page 27
1.5 Bayes theorem......Page 28
1.6 Discriminant functions and classification......Page 30
1.7 Clustering......Page 32
Exercises......Page 34
2.1.1 Geometric approach to PCA......Page 36
2.1.2 Eigenvector approach to PCA......Page 37
2.1.3 Real and complex data......Page 40
2.1.4 Orthogonality relations......Page 41
2.1.5 PCA of the tropical Pacific climate variability......Page 42
2.1.6 Scaling the PCs and eigenvectors......Page 47
2.1.7 Degeneracy of eigenvalues......Page 50
2.1.8 A smaller covariance matrix......Page 51
2.1.10 Singular value decomposition......Page 52
2.1.11 Missing data......Page 54
2.1.12 Significance tests......Page 55
2.2 Rotated PCA......Page 56
2.3 PCA for vectors......Page 64
2.4 Canonical correlation analysis (CCA)......Page 65
2.4.1 CCA theory......Page 66
2.4.2 Pre-filter with PCA......Page 69
2.4.3 Singular value decomposition and maximum covariance analysis......Page 72
Exercises......Page 73
3.1 Spectrum......Page 74
3.1.1 Autospectrum......Page 75
3.1.2 Cross-spectrum......Page 79
3.2 Windows......Page 81
3.3 Filters......Page 82
3.4 Singular spectrum analysis......Page 84
3.5 Multichannel singular spectrum analysis......Page 90
3.6 Principal oscillation patterns......Page 91
3.7 Spectral principal component analysis......Page 98
Exercises......Page 101
4 Feed-forward neural network models......Page 102
4.2 Perceptrons......Page 103
4.3 Multi-layer perceptrons (MLP)......Page 108
4.4 Back-propagation......Page 113
4.5 Hidden neurons......Page 118
4.6 Radial basis functions (RBF)......Page 121
4.7 Conditional probability distributions......Page 124
4.7.1 Mixture models......Page 126
Exercises......Page 128
5 Nonlinear optimization......Page 129
5.1 Gradient descent method......Page 131
5.2 Conjugate gradient method......Page 132
5.3 Quasi-Newton methods......Page 136
5.4 Nonlinear least squares methods......Page 137
5.5 Evolutionary computation and genetic algorithms......Page 140
Exercises......Page 142
6.1 Mean squared error and maximum likelihood......Page 143
6.2 Objective functions and robustness......Page 145
6.3 Variance and bias errors......Page 149
6.4 Reserving data for validation......Page 150
6.5 Regularization......Page 151
6.6 Cross-validation......Page 152
6.7 Bayesian neural networks (BNN)......Page 154
6.7.1 Estimating the hyperparameters......Page 156
6.7.2 Estimate of predictive uncertainty......Page 159
6.8 Ensemble of models......Page 161
6.9 Approaches to predictive uncertainty......Page 166
6.10 Linearization from time-averaging......Page 167
Exercises......Page 171
7.1 From neural networks to kernel methods......Page 173
7.2 Primal and dual solutions for linear regression......Page 175
7.3 Kernels......Page 177
7.4 Kernel ridge regression......Page 180
7.5 Advantages and disadvantages......Page 181
7.6 The pre-image problem......Page 183
Exercises......Page 185
8 Nonlinear classification......Page 186
8.1 Multi-layer perceptron classifier......Page 187
8.1.1 Cross entropy error function......Page 189
8.2 Multi-class classification......Page 191
8.3 Bayesian neural network (BNN) classifier......Page 192
8.4 Support vector machine (SVM) classifier......Page 193
8.4.1 Linearly separable case......Page 194
8.4.2 Linearly non-separable case......Page 197
8.4.3 Nonlinear classification by SVM......Page 200
8.4.4 Multi-class classification by SVM......Page 202
8.5 Forecast verification......Page 203
8.5.1 Skill scores......Page 206
8.5.2 Multiple classes......Page 207
8.5.3 Probabilistic forecasts......Page 208
8.6 Unsupervised competitive learning......Page 209
Exercises......Page 211
9.1 Support vector regression (SVR)......Page 212
9.2 Classification and regression trees (CART)......Page 218
9.3 Gaussian processes (GP)......Page 222
9.3.1 Learning the hyperparameters......Page 225
9.4 Probabilistic forecast scores......Page 227
Exercises......Page 228
10 Nonlinear principal component analysis......Page 229
10.1.1 Open curves......Page 230
10.1.2 Application......Page 234
10.1.3 Overfitting......Page 239
10.1.4 Closed curves......Page 243
10.2 Principal curves......Page 247
10.3 Self-organizing maps (SOM)......Page 249
10.4 Kernel principal component analysis......Page 253
10.5 Nonlinear complex PCA......Page 256
10.6 Nonlinear singular spectrum analysis......Page 260
Exercises......Page 267
11.1 MLP-based NLCCA model......Page 268
11.1.1 Tropical Pacific climate variability......Page 273
11.1.2 Atmospheric teleconnection......Page 276
11.2.1 Biweight midcorrelation......Page 280
11.2.2 Inverse mapping......Page 282
11.2.3 Prediction......Page 284
Concluding remarks......Page 288
Exercises......Page 289
12 Applications in environmental sciences......Page 290
12.1 Remote sensing......Page 291
Ocean colour......Page 292
Land cover......Page 294
Clouds......Page 295
Precipitation......Page 296
12.1.3 Passive microwave sensing......Page 298
Altimeter......Page 299
Scatterometer......Page 300
Synthetic aperture radar......Page 301
12.2.1 Sea level......Page 302
12.2.2 Equation of state of sea water......Page 303
12.2.3 Wind wave modelling......Page 305
12.2.4 Ocean temperature and heat content......Page 306
12.3.1 Hybrid coupled modelling of the tropical Pacific......Page 308
Arctic Oscillation (AO)......Page 309
Pacific–North American (PNA) teleconnection......Page 311
Quasi-Biennial Oscillation (QBO)......Page 312
Climate change......Page 313
12.3.3 Radiation in atmospheric models......Page 314
12.3.4 Post-processing and downscaling of numerical model output......Page 315
Variance......Page 318
Extrapolation......Page 319
Tornado......Page 321
12.3.6 Air quality......Page 323
12.4 Hydrology......Page 328
12.5 Ecology......Page 330
Exercises......Page 333
A Sources for data and codes......Page 334
B Lagrange multipliers......Page 335
References......Page 338
Index......Page 361




نظرات کاربران

تمامی حقوق معنوی و مادی وبسایت متعلق به اینترنشنال لایبرری می باشد