توضیحات
Perhaps you are reading this book because you too have been inspired by the capabilities
of machine learning and would like to use it to solve problems being faced by your
organization. However, you might be struggling to find a definite guide that can help you
decide which specific methodology to chose among the myriad of available
methodologies. You may have come across a nice research article that showcases an
interesting process systems application of a ML method. However, you might be facing
difficulties trying to understand the intricate details of the algorithm. We wont be surprised
if you have struggled to find a data-science book that caters to the needs of a process
systems engineer, considers unique characteristics of industrial process systems, and
uses industrial-scale process systems for illustrations. We, the authors, have been in that
phase. A process engineer will arguably find it more relevant and useful to learn principal
component analysis (PCA) by working through a process monitoring application (the most
popular application area of PCA in process industry) and learning how to compute the
monitoring metrics. Similar arguments could be made for several other popular ML
methods. There is a gap in available machine learning resources for industrial
practitioners and this book attempts to cover this gap.
In one sense, we wrote this book for our younger selves; a book that we wish had existed
when we started experimenting with machine learning techniques. Drawing from our
years of experience in developing data-driven industrial solutions, this book has been
written with the focus on de-cluttering the world of machine learning, giving a
comprehensive exposition of ML tools that have proven useful in process industry,
providing step-by-step elucidation of implementation details, cautioning against the`
pitfalls and listing various tips & tricks that we have encountered over the years, and using
dataset from industrial-scale process systems for illustrations. We strongly believe in
learning by doing and therefore we encourage the readers to work through in-chapter
illustrations as they follow along the text. For readers assistance, Jupyter notebooks with
complete code implementations are available for download. We have chosen Python as
the coding language for the book as it convenient to use, has large collection of ML
libraries, and is the de facto standard language for ML. No prior experience with Python
is assumed. The book has been designed to teach machine learning from scratch and
upon completion, the reader will feel comfortable at using ML techniques.
————————————————————–
ترجمه ماشینی :
شاید شما در حال خواندن این کتاب هستید زیرا شما نیز از قابلیت های یادگیری ماشین الهام گرفته اید و می خواهید از آن برای حل مشکلاتی که سازمان خود با آن مواجه است استفاده کنید. با این حال، ممکن است برای پیدا کردن یک راهنمای قطعی که بتواند به شما کمک کند تصمیم بگیرید کدام متدولوژی خاص را از میان بیشمار روشهای موجود انتخاب کنید، در تلاش باشید. ممکن است با یک مقاله تحقیقاتی خوب برخورد کرده باشید که کاربرد سیستم های فرآیندی جالبی از روش ML را نشان می دهد. با این حال، ممکن است در تلاش برای درک جزئیات پیچیده الگوریتم با مشکلات مواجه شوید. تعجب نخواهیم کرد اگر برای پیدا کردن یک کتاب علوم داده تلاش کرده باشید که نیازهای یک مهندس فرآیند سیستم را برآورده کند ، ویژگی های منحصر به فرد سیستم های فرآیند صنعتی را در نظر بگیرد و از سیستم های فرآیند در مقیاس صنعتی برای تصاویر استفاده کند. ما، نویسندگان، در آن مرحله بوده ایم. مسلماً یک مهندس فرآیند یادگیری تجزیه و تحلیل اصلی / مؤلفه (PCA) را با کار بر روی یک برنامه نظارت بر فرآیند (محبوبترین حوزه کاربردی PCA در صنعت فرآیند) و یادگیری نحوه محاسبه معیارهای نظارت، مرتبطتر و مفیدتر میداند. استدلال های مشابهی را می توان برای چندین روش محبوب دیگر ML ارائه کرد. شکافی در منابع یادگیری ماشینی موجود برای متخصصان صنعتی وجود دارد و این کتاب سعی دارد این شکاف را پوشش دهد. به یک معنا، ما این کتاب را برای خود جوانتر نوشتیم. کتابی که آرزو میکردیم زمانی که شروع به آزمایش تکنیکهای یادگیری ماشین کردیم، وجود داشت. این کتاب با تکیه بر سالها تجربه ما در توسعه راهحلهای صنعتی مبتنی بر دادهها، با تمرکز بر بینظمیزدایی از دنیای یادگیری ماشین نوشته شده است، و یک نمایش جامع از ابزارهای ML ارائه میدهد که در صنعت فرآیند مفید هستند. ارائه توضیح گام به گام جزئیات پیاده سازی، احتیاط در برابر مشکلات و فهرست کردن نکات و ترفندهای مختلفی که در طول سال ها با آن ها مواجه شده ایم، و استفاده از مجموعه داده از سیستم های فرآیند در مقیاس صنعتی برای تصاویر. ما شدیداً به یادگیری از طریق انجام دادن اعتقاد داریم و بنابراین خوانندگان را تشویق میکنیم که با تصاویر درون فصلی که متن را دنبال میکنند کار کنند. برای کمک به خوانندگان، نوت بوک های Jupyter با پیاده سازی کامل کد برای دانلود در دسترس هستند. ما پایتون را بهعنوان زبان برنامهنویسی کتاب انتخاب کردهایم زیرا استفاده از آن راحت است، مجموعه بزرگی از کتابخ
tag : دانلود کتاب یادگیری ماشین در پایتون برای مهندسی سیستم های فرآیند: دستیابی به برتری عملیاتی با استفاده از داده های فرآیند , Download یادگیری ماشین در پایتون برای مهندسی سیستم های فرآیند: دستیابی به برتری عملیاتی با استفاده از داده های فرآیند , دانلود یادگیری ماشین در پایتون برای مهندسی سیستم های فرآیند: دستیابی به برتری عملیاتی با استفاده از داده های فرآیند , Download Machine Learning in Python for Process Systems Engineering: Achieving operational excellence using process data Book , یادگیری ماشین در پایتون برای مهندسی سیستم های فرآیند: دستیابی به برتری عملیاتی با استفاده از داده های فرآیند دانلود , buy یادگیری ماشین در پایتون برای مهندسی سیستم های فرآیند: دستیابی به برتری عملیاتی با استفاده از داده های فرآیند , خرید کتاب یادگیری ماشین در پایتون برای مهندسی سیستم های فرآیند: دستیابی به برتری عملیاتی با استفاده از داده های فرآیند , دانلود کتاب Machine Learning in Python for Process Systems Engineering: Achieving operational excellence using process data , کتاب Machine Learning in Python for Process Systems Engineering: Achieving operational excellence using process data , دانلود Machine Learning in Python for Process Systems Engineering: Achieving operational excellence using process data , خرید Machine Learning in Python for Process Systems Engineering: Achieving operational excellence using process data , خرید کتاب Machine Learning in Python for Process Systems Engineering: Achieving operational excellence using process data ,
نقد و بررسیها
هنوز بررسیای ثبت نشده است.