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 Petascale analytics : large-scale machine learning in the earth sciences

دانلود کتاب تجزیه و تحلیل Petascale: یادگیری ماشین در مقیاس بزرگ در علوم زمین

Petascale analytics : large-scale machine learning in the earth sciences

مشخصات کتاب

Petascale analytics : large-scale machine learning in the earth sciences

ویرایش: 1 
نویسندگان: , ,   
سری: Chapman & Hall/CRC Data Mining and Knowledge Discovery Series 
ISBN (شابک) : 9781498703871, 1498703879 
ناشر: Chapman and Hall/CRC 
سال نشر: 2016 
تعداد صفحات: 238 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 22 مگابایت 

قیمت کتاب (تومان) : 49,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 11


در صورت تبدیل فایل کتاب Petascale analytics : large-scale machine learning in the earth sciences 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 تجزیه و تحلیل Petascale: یادگیری ماشین در مقیاس بزرگ در علوم زمین 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 تجزیه و تحلیل Petascale: یادگیری ماشین در مقیاس بزرگ در علوم زمین



از پیشگفتار:

\"در حالی که یادگیری ماشینی و داده کاوی در مقیاس بزرگ تأثیر زیادی بر طیف وسیعی از کاربردهای تجاری گذاشته است، استفاده از آنها در زمینه علوم زمین هنوز در مراحل اولیه است. کتاب، ویرایش شده توسط آشوک

سریواستاوا، راماکریشنا نمانی و کارستن اشتاینهائوسر، به عنوان یک منبع برجسته برای هر کسی که علاقه مند به فرصت ها و چالش های جامعه یادگیری ماشینی در تجزیه و تحلیل این مجموعه داده ها برای پاسخ به سؤالات فوری اجتماعی است، عمل می کند. علاقه… من امیدوارم که این کتاب الهام بخش دانشمندان کامپیوتر بیشتری باشد تا روی کاربردهای محیطی تمرکز کنند و دانشمندان زمین به دنبال همکاری با محققان در یادگیری ماشین و داده کاوی برای پیشبرد مرزهای علوم زمین باشند.\"

< /P>

--ویپین کومار، دانشگاه مینه سوتا

یادگیری ماشینی در مقیاس بزرگ در علوم زمین به محققان و پزشکان این امکان را می دهد مروری کلی بر برخی از چالش‌های کلیدی در تلاقی علم زمین، علوم کامپیوتر، آمار و زمینه‌های مرتبط. این طیف گسترده ای از موضوعات را بررسی می کند و مجموعه ای از تحقیقات اخیر در کاربرد یادگیری ماشین در زمینه علوم زمین را ارائه می دهد.

پیش بینی بر اساس داده های رصدی یک موضوع است. کتاب، و کتاب شامل فصولی در مورد استفاده از علم شبکه برای درک و کشف ارتباطات از راه دور در شرایط آب و هوایی شدید و رویدادهای آب و هوایی و همچنین استفاده از تخمین ساخت یافته در ابعاد بالا می باشد. استفاده از مدل‌های یادگیری ماشینی مجموعه‌ای برای ترکیب پیش‌بینی‌های مدل‌های آب و هوای جهانی با استفاده از اطلاعات الگوهای مکانی و زمانی نیز مورد بررسی قرار گرفته است.

در بخش دوم کتاب، بحثی در مورد کاهش مقیاس آماری در اقلیم با وضعیت وضعیت وجود دارد. یادگیری ماشینی مقیاس‌پذیر و همچنین مروری بر روش‌های درک و پیش‌بینی تکثیر گونه‌های زیستی به دلیل تغییرات در شرایط محیطی. مشکل استفاده از یادگیری ماشینی در مقیاس بزرگ برای مطالعه تشکیل گردبادها نیز به طور عمیق مورد بررسی قرار گرفته است.

بخش آخر کتاب استفاده از الگوریتم‌های یادگیری عمیق برای طبقه‌بندی را پوشش می‌دهد. تصاویری که وضوح بسیار بالایی دارند و همچنین عدم اختلاط سیگنال های طیفی در تصاویر سنجش از دور پوشش زمین. نویسندگان همچنین در فصل آخر کتاب، توزیع های دم بلند را در منابع علوم زمین اعمال می کنند.


توضیحاتی درمورد کتاب به خارجی

From the Foreword:

"While large-scale machine learning and data mining have greatly impacted a range of commercial applications, their use in the field of Earth sciences is still in the early stages. This book, edited by Ashok

Srivastava, Ramakrishna Nemani, and Karsten Steinhaeuser, serves as an outstanding resource for anyone interested in the opportunities and challenges for the machine learning community in analyzing these data sets to answer questions of urgent societal interest…I hope that this book will inspire more computer scientists to focus on environmental applications, and Earth scientists to seek collaborations with researchers in machine learning and data mining to advance the frontiers in Earth sciences."

--Vipin Kumar, University of Minnesota

Large-Scale Machine Learning in the Earth Sciences provides researchers and practitioners with a broad overview of some of the key challenges in the intersection of Earth science, computer science, statistics, and related fields. It explores a wide range of topics and provides a compilation of recent research in the application of machine learning in the field of Earth Science.

Making predictions based on observational data is a theme of the book, and the book includes chapters on the use of network science to understand and discover teleconnections in extreme climate and weather events, as well as using structured estimation in high dimensions. The use of ensemble machine learning models to combine predictions of global climate models using information from spatial and temporal patterns is also explored.

The second part of the book features a discussion on statistical downscaling in climate with state-of-the-art scalable machine learning, as well as an overview of methods to understand and predict the proliferation of biological species due to changes in environmental conditions. The problem of using large-scale machine learning to study the formation of tornadoes is also explored in depth.

The last part of the book covers the use of deep learning algorithms to classify images that have very high resolution, as well as the unmixing of spectral signals in remote sensing images of land cover. The authors also apply long-tail distributions to geoscience resources, in the final chapter of the book.



فهرست مطالب

Content: Network science perspectives on engineering adaptation to climate change and weather extremes Udit Bhatia, Auroop R. Ganguly        Structured Estimation in High Dimensions: Applications in Climate Andre R Goncalves, Arindam Banerjee        Spatiotemporal Global Climate Model Tracking Scott McQuade, Claire Monteleoni        Statistical Downscaling in Climate with State of the Art Scalable Machine Learning Thomas Vandal, Udit Bhatia, Auroop R. Ganguly        Large-Scale Machine Learning for Species Distributions Reid Johnson, Nitesh Chawla        Using Large-scale Machine Learning to Improve our Understanding of the Formation of Tornadoes Amy McGovern, Corey Potvin, Rodger Brown        Deep Learning for Very High Resolution Imagery Classification Sangram Ganguly, Saikat Basu, Ramakrishna Nemani, Supratik Mukhopadhyay, Andrew Michaelis, Petr Votava, Cristina Milesi, Uttam Kumar        Unmixing Algorithms: A Review of Techniques for Spectral Detection and Classification of Land Cover from Mixed Pixels on NASA Earth Exchange    Uttam Kumar, Cristina Milesi, S. Kumar Raja, Ramakrishna Nemani, Sangram Ganguly, Weile Wang, Petr Votava, Andrew Michaelis, and Saikat Basu        Semantic Interoperability of Long-Tail Geoscience Resources over the Web    Mostafa M.Elag, Praveen Kumar, Luigi Marini, Scott D. Peckham, Rui Liu




نظرات کاربران