توضیحات
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 interestI 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.
————————————————————–
ترجمه ماشینی :
از پیشگفتار:
“در حالی که یادگیری ماشینی در مقیاس بزرگ و داده کاوی به شدت بر طیف وسیعی از کاربردهای تجاری تاثیر گذاشته است، استفاده از آنها در زمینه علوم زمین هنوز در مراحل اولیه است. این کتاب که توسط آشوک
سریواستاوا، راماکریشنا نمانی و کارستن اشتاینهائوسر ویرایش شده است، بهعنوان منبعی برجسته برای هر کسی که علاقهمند به فرصتها و چالشهای جامعه یادگیری ماشین در تجزیه و تحلیل این مجموعه دادهها برای پاسخ به سؤالات فوری است، عمل میکند. علاقه اجتماعی امیدوارم که این کتاب دانشمندان علوم کامپیوتر بیشتری را برانگیزد 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.’
–ویپین کومار، دانشگاه مینه سوتا
یادگیری ماشینی در مقیاس بزرگ در علوم زمین به محققان و پزشکان یک نمای کلی ارائه می دهد. 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، توزیعهای دم بلند را برای منابع علوم زمین اعمال میکنند.
tag : دانلود کتاب تجزیه و تحلیل Petascale: یادگیری ماشینی در مقیاس بزرگ در علوم زمین , Download تجزیه و تحلیل Petascale: یادگیری ماشینی در مقیاس بزرگ در علوم زمین , دانلود تجزیه و تحلیل Petascale: یادگیری ماشینی در مقیاس بزرگ در علوم زمین , Download Petascale analytics : large-scale machine learning in the earth sciences Book , تجزیه و تحلیل Petascale: یادگیری ماشینی در مقیاس بزرگ در علوم زمین دانلود , buy تجزیه و تحلیل Petascale: یادگیری ماشینی در مقیاس بزرگ در علوم زمین , خرید کتاب تجزیه و تحلیل Petascale: یادگیری ماشینی در مقیاس بزرگ در علوم زمین , دانلود کتاب Petascale analytics : large-scale machine learning in the earth sciences , کتاب Petascale analytics : large-scale machine learning in the earth sciences , دانلود Petascale analytics : large-scale machine learning in the earth sciences , خرید Petascale analytics : large-scale machine learning in the earth sciences , خرید کتاب Petascale analytics : large-scale machine learning in the earth sciences ,
نقد و بررسیها
هنوز بررسیای ثبت نشده است.