یادگیری عمیق یک تکنیک اساسی در هوش مصنوعی مدرن است و به رشته های مختلف در طیف علمی اعم از علوم زمین نیز اعمال می شود؛ با این حال، ارتباط بین یادگیری عمیق و علوم زمین اخیراً وارد برنامه های آموزشی دانشگاهی شده و هنوز گسترش زیادی نیافته است.

کتاب "یادگیری عمیق برای علوم زمین" یک دیدگاه و درمان منحصر به فرد از مفاهیم، مهارت ها و روش های مورد نیاز برای به سرعت آشنایی کردن کاربرد تکنیک های یادگیری عمیق در علوم زمین ارائه می دهد. این کتاب خوانندگان را برای استفاده از فناوری ها و اصول مطرح شده در تحقیقات خود آماده می سازد.

در کتاب Deep Learning for the Earth Sciences:

ویراستاران منابع معتبرو ایده های جدیدی ارائه می کنند و توصیه های مربوط به تحقیقات جدید، به ویژه برای افرادی که در حال انجام تحقیقات پیشرفته یا افرادی که به دنبال راهنمایی برای پایان نامه دکترا هستند را ارائه می دهند. خوانندگان این کتاب همچنین از موارد زیر بهره مند خواهند شد:

- مقدمه ای به یادگیری عمیق به منظور دسته بندی، از جمله پیشرفت های در زمینه تقسیم بندی تصاویر و کدگذاری اولیه، شناسایی نقض و شناسایی هدف و تطابق دامنه

- بررسی نمایش ها و یادگیری عمیق بدون ناظر، از جمله تلفیق تصاویر با استفاده از یادگیری عمیق، بازیابی تصاویر و مطابقت و هم ثبت سازی تصاویر

- بحث های عملی در زمینه رگرسیون، تنظیم، بازیابی پارامتر، پیش بینی و تقسیم بندی مکانی

- بررسی مدل های یادگیری عمیق حساب شده فیزیک، از جمله شبیه سازی کدهای پیچیده و پارامتری سازی مدل

کتاب Deep Learning for the Earth Sciences برای دانشجویان دکترا و پژوهشگران در زمینه های علوم زمین، پردازش تصویر، سنجش از راه دور، مهندسی برق و علوم کامپیوتر و یادگیری ماشین پیشنهاد می شود و همچنین در کتابخانه  پژوهشگران یادگیری ماشین و تشخیص الگو، مهندسان و دانشمندان جایگاه ویژه ای خواهد یافت.

درباره نویسندگان کتاب:

Gustau Camps-Valls: استاد مهندسی برق و محقق اصلی در آزمایشگاه پردازش تصویر (IPL) دانشگاه والنسیا است. علایق او شامل توسعه یادگیری آماری، به ویژه ماشین های هسته ای و شبکه های عصبی، برای علوم زمینی، از سنجش از راه دور تا تحلیل داده های علوم زمینی می شود. او در روند توسعه مدل های بازده و دقت، همچنین قابلیت تفسیر، سازگاری و کشف علیت در حوزه هوش مصنوعی برای زمین و آب و هوا مشغول به کار است.

Devis Tuia: دکترای فیزیک، استاد همکار در دانشکده پلی تکنیک فدرال لوزان (EPFL) است. او مدیر آزمایشگاه علوم محیطی محاسباتی و مشاهده زمین است که بر روی پردازش داده های مشاهده زمین با روش های محاسباتی برای پیشرفت علوم محیطی تمرکز دارد.

Xiao Xiang Zhu: استاد داده شناسی در مشاهده زمین و مدیر آزمایشگاه آینده هوش مصنوعی AI4EO در دانشگاه تکنیکی مونیخ و رئیس دپارتمان داده شناسی EO در مرکز هوافضای آلمان است. آزمایشگاه او روش های نوآورانه یادگیری ماشین و راه حل های تجزیه و تحلیل داده های بزرگ برای استخراج اطلاعات جغرافیایی در مقیاس بزرگ از داده های مشاهده زمین ایجاد می کند، وی با هدف مقابله با چالش های بزرگ مانند شهرنشینی، اهداف توسعه پایدار سازمان ملل و تغییرات آب و هوا تلاش می کند.

Markus Reichstein: مدیر دپارتمان یکپارچه سازی بیوژئوشیمیایی در موسسه مکزیک بیوژئوشیمی و استاد ژئواکولوژی جهانی در دانشگاه یئنا است. علاقه مندی های اصلی او شامل پاسخ و بازخورد اکوسیستم ها (گیاهان و خاک) به تغییرات اقلیمی با دیدگاهی به سیستم زمینی با در نظر گرفتن چرخه های کربن، آب و مواد مغذی مرتبط می شود. او بیش از 15 سال است که به کمک یادگیری آماری در این زمینه ها مشغول به تحقیق است.

فهرست مطالب گنجانده شده در این کتاب:

1. مقدمه

2. یادگیری بدون نظارت از داده های سنجش از راه دور با استفاده از شبکه های کانولوشنی Sparse

3. شبکه های مولد رقابتی GAN در علوم زمین شناسی

4. یادگیری خودآموز عمیق در سنجش از راه دور

5. تقسیم بندی معنایی مبتنی بر یادگیری عمیق در سنجش از راه دور

6. شناسایی اشیاء در سنجش از راه دور

7. تطبیق عمیق دامنه در مشاهدات زمین

8. شبکه های عصبی بازگشتی و عنصر زمانی

9. یادگیری عمیق برای هم تطابقی تصاویر در سنجش از راه دور

10. ادغام تصاویر سنجش از راه دور چند منبعی

11. یادگیری عمیق برای جستجو و بازیابی تصاویر در مخازن بزرگ سنجش از راه دور

12. یادگیری عمیق برای تشخیص الگوهای آب و هوایی خطرناک

13. کدگذارهای اتوماتیک فضا-زمانی در پژوهش های هواشناسی و اقلیمی

14. یادگیری عمیق برای بهبود پیش بینی های هواشناسی

15. یادگیری عمیق و مسئله پیش بینی هوا: پیش بینی بارش

16. یادگیری عمیق برای بازیابی پارامترهای بعد بالا

17. بررسی یادگیری عمیق برای مطالعات Cryospheric

18. تقلید حافظه اکولوژیک با شبکه های عصبی بازگشتی

19. کاربردهای یادگیری عمیق در هیدرولوژی

20. یادگیری عمیق برای فرآیندهای اقیانوسی پیچیده بدون حل در مدل های آب و هوا

21. یادگیری عمیق برای پارامترسازی فرآیندهای زیرشبکه ای در مدل های آب و هوا

22. استفاده از یادگیری عمیق برای اصلاح مدل های تئوری ای

سخنی با دانشجویان:

کتاب Deep Learning for the Earth Sciences: A Comprehensive Approach to Remote Sensing, Climate Science and Geosciences کتابی است که علوم زمین، آب و هواشناسی را با تکنیک های پیشرفته یادگیری عمیق به دنیای داده های سنجش از دور می آورد. با مطالعه این کتاب، به تحلیل دقیق داده های سنجش از دور خواهید پرداخت و از آنها در درک بهتر پدیده های زمینی و آب و هوایی بهره خواهید برد.

 این کتاب یک راهنمای جامع برای افرادی که به دنبال یادگیری تکنیک های عمیق در علوم زمین، هواشناسی و مطالعات محیطی هستند. این کتاب به شما امکان می دهد تا تحلیل های مدرن داده های سنجش از دور را انجام دهید و به راحتی به پیش بینی ها و تصمیم گیری های استراتژیک برای مسائل زمین و هوا مسلط شوید.

 یادگیری عمیق برای علوم زمین کتابی است که علوم زمین، هواشناسی و علوم آب را با نگاهی جدید و مدرن به دستگاه یادگیری عمیق معرفی می کند. با استفاده از مثال ها و تکنیک های عملی، شما به یادگیری مهارت های مورد نیاز برای تجزیه و تحلیل داده های سنجش از دور در این حوزه ها می پردازید.

Deep Learning for the Earth Sciences: A Comprehensive Approach to Remote Sensing, Climate Science and Geosciences

یک منبع ضروری برای دانشجویان و محققان علوم زمین، هواشناسی و علوم آب که به دنبال اعمال تکنولوژی های یادگیری عمیق در مطالعات خود هستند. این کتاب نه تنها به شما تئوری های پایه را ارائه می دهد، بلکه به شما کمک می کند تا مهارت های عملی را به کار بگیرید.

در صورت تمایل، برای سفارش این کتاب می توانید سری به فروشگاه اینترنتی آی آی کتاب بزنید.

1402/07/08
427