Bewertung:
Derzeit gibt es keine Leserbewertungen. Die Bewertung basiert auf 2 Stimmen.
Machine Learning for Subsurface Characterization
Maschinelles Lernen für die Untergrundcharakterisierung entwickelt und verwendet neuronale Netze, Zufallswälder, tiefes Lernen, unüberwachtes Lernen, Bayes'sche Rahmenwerke und Clustering-Methoden für die Charakterisierung des Untergrunds.
Maschinelles Lernen (ML) konzentriert sich auf die Entwicklung von Berechnungsmethoden/Algorithmen, die lernen, Muster zu erkennen und funktionale Beziehungen zu quantifizieren, indem sie große Datensätze verarbeiten, die auch als „Big Data“ bezeichnet werden. Deep Learning (DL) ist eine Untergruppe des maschinellen Lernens, die „Big Data“ verarbeitet, um zahlreiche Abstraktionsebenen zur Bewältigung der Lernaufgabe zu konstruieren.
Bei DL-Methoden entfällt der manuelle Schritt der Extraktion/Entwicklung von Merkmalen; allerdings müssen wir große Datenmengen zusammen mit Hochleistungsrechnern bereitstellen, um zeitnah zuverlässige Ergebnisse zu erhalten. Diese Referenz hilft Ingenieuren, Geophysikern und Geowissenschaftlern, sich mit der Terminologie der Datenwissenschaft und Analytik vertraut zu machen, die für die Charakterisierung des Untergrunds relevant sind, und demonstriert die Verwendung datengesteuerter Methoden für die Erkennung von Ausreißern, die geomechanische/elektromagnetische Charakterisierung, die Bildanalyse, die Schätzung der Flüssigkeitssättigung und die Charakterisierung des Porenraums im Untergrund.
| ISBN: | 9780128177365 |
| Autor: | |
| Verlag: | |
| Sprache: | Englisch |
| Einband: | Taschenbuch |
| Erscheinungsjahr: | 2019 |
| Seitenzahl: | 440 |
Derzeit verfügbar, auf Lager.
