| شماره شناسایی
|
:
|
18885422
|
| شماره مدرک
|
:
|
۳۱۴۰۴۱۲
|
| نام عام مواد
|
:
|
[کتاب]
|
| شناسه افزوده
|
:
|
جعفرزاده، مریم سادات
|
|
|
:
|
کریمی سنگچینی، ابراهیم
|
| عنوان اصلي
|
:
|
دادهکاوی با استفاده از مدل یادگیری بیشینه آنتروپی (با تأکید بر آموزش نرمافزار مکسنت)
|
| نام نخستين پديدآور
|
:
|
مریم سادات جعفرزاده، ابراهیم کریمی سنگچینی
|
| صفحه شمار
|
:
|
۱۴۸ص.
|
| وضعیت انتشار
|
:
|
انتشارات پژوهشکده حفاظت خاک و آبخیزداری، ۱۴۰۴
|
| فروست
|
:
|
شماره ثبت ۳۱۴۰۴۱۲ مورخ ۱۱-۰۶-۱۴۰۴
|
|
|
:
|
سامانه مدیریت انتشارات علمی
|
| خلاصه یا چکیده
|
:
|
از این کتاب میتوان بهعنوان یک راهنمای عملی برای استفاده از نرمافزار MaxEnt به منظور اجرای مدل بیشینه آنتروپی به عنوان یک روش داده کاوی استفاده کرد. داده کاوی Data Mining))، به مفهوم استخراج اطلاعات نهان یا الگوها و روابط مشخص در حجم زیادی از دادهها در یک یا چند بانک اطلاعاتی بزرگ گفته میشود. داده کاوی به بهرهگیری از ابزارهای تجزیه و تحلیل دادهها به منظور کشف الگوها و روابط معتبری که تاکنون ناشناخته بودهاند، گفته میشود. یادگیری ماشینی به مجموعه دادههای عظیمی برای آموزش نیاز دارد، و این دادهها باید فراگیر و دارای کیفیت خوبی باشند. ممکن است مواقعی پیش آید که داده مورد نیاز موجود نبوده و یادگیر باید منتظر تولید دادههای جدید باشند. یکی از روشهای دادهکاوی بیشینه آنتروپی میباشد. این مدل روش یادگیری ماشینی براساس حداکثر بینظمی است. آنتروپی در نظریه اطلاعات معیاری عددی از میزان اطلاعات یا میزان تصادفی بودن یک متغیر تصادفی است. به بیان دقیقتر آنتروپی یک متغیر تصادفی، امیدریاضی میزان اطلاعات حاصل از مشاهدهٔ آن است. همچنین آنتروپی یک منبع اطلاعات، حد پایین امید بهترین نرخ فشردهسازی بدون اتلاف دادهها برای آن منبع است. مزیت این روش آن است که برای پیشبینی رفتار پدیدهها نیاز به نقاط عدم حضور آن پدیده ندارد بلکه از مجموعهای عوامل تأثیرگذار و نقاط مشاهده شده آن پدیده بهره میبرد. در این کتاب سعی بر آن است که به روش بیشینه آنتروپی به عنوان یک اصل در یادگیری ماشین پرداخته شود و نحوه اجرای آن در نرمافزار MaxEnt شرح داده شود و همچنین در پایان یک نمونه مثال در زمینه کاربرد این روش در پتانسیلیابی تغذیه آبهای زیرزمینی در حوزه آبخیز ماربره استان لرستان ارائه گردیده است.
این کتاب از شش فصل تشکیل شده است. در اولین فصل به مقدمه و مفاهیم پایه در زمینه دادهکاوی و بهویژه مدل بیشینه آنتروپی به عنوان یک مدل یادگیری ماشین پرداخته میشود، سپس در فصل دوم مباحث مربوط به دادهکاوی ارائه میشود. در فصل سوم به مباحث مربوط به یادگیری توجه میشود. یادگیری ماشین در فصل چهارم شرح داده میشود. نحوه اجرای مدل ماکزیمم آنتروپی در محیط نرمافزاری مکسنت در فصل پنجم آورده شده است. و درنهایت در فصل ششم به یک نمونه مطالعه انجام شده با مدل ماکزیمم آنتروپی در محیط نرمافزاری مکسنت پرداخته میشود. امید است که این کتاب برای متخصصان مرتبط با مدیریت منابعطبیعی و آبخیزداری، محیط زیست، جغرافیا و برنامهریزی محیطی و زمین شناسی مفید باشد.
|