Avis des lecteurs
Il n'y a actuellement aucun avis de lecteur. La note est basée sur 2 votes.
Titre original :
Machine Learning for Subsurface Characterization
Contenu du livre :
L'apprentissage automatique pour la caractérisation de la subsurface développe et applique les réseaux neuronaux, les forêts aléatoires, l'apprentissage profond, l'apprentissage non supervisé, les cadres bayésiens et les méthodes de regroupement pour la caractérisation de la subsurface.
L'apprentissage machine (ML) se concentre sur le développement de méthodes/algorithmes informatiques qui apprennent à reconnaître des modèles et à quantifier des relations fonctionnelles en traitant de grands ensembles de données, également appelés « big data ». L'apprentissage en profondeur est un sous-ensemble de l'apprentissage automatique qui traite les « big data » pour construire de nombreuses couches d'abstraction afin d'accomplir la tâche d'apprentissage.
Les méthodes d'apprentissage en profondeur ne nécessitent pas l'étape manuelle d'extraction/ingénierie des caractéristiques ; cependant, elles nous obligent à fournir de grandes quantités de données ainsi qu'un calcul de haute performance pour obtenir des résultats fiables en temps opportun. Cette référence aide les ingénieurs, les géophysiciens et les géoscientifiques à se familiariser avec la terminologie de la science des données et de l'analyse pertinente pour la caractérisation de la subsurface et démontre l'utilisation de méthodes basées sur les données pour la détection des valeurs aberrantes, la caractérisation géomécanique/électromagnétique, l'analyse d'images, l'estimation de la saturation des fluides et la caractérisation à l'échelle des pores dans la subsurface.
Autres informations sur le livre :
| ISBN : | 9780128177365 |
| Auteur : | |
| Éditeur : | |
| Langue : | anglais |
| Reliure : | Broché |
| Année de publication : | 2019 |
| Nombre de pages : | 440 |
Achat:
Actuellement disponible, en stock.
