这本书是关于运用机器和深度学习来解决石油和天然气行业的一些挑战。这本书开篇简要讨论石油和天然气勘探和生产生命周期中不同阶段的数据流工业操作。这导致了对一些有趣问题的调查,这些问题很适合应用机器和深度学习方法。最初的章节提供了Python编程语言的基础知识,该语言用于实现算法;接下来是监督和非监督机器学习概念的概述。作者提供了使用开源数据集的行业示例以及对算法的实际解释,但没有深入研究所使用算法的理论方面。石油和天然气行业中的机器学习涵盖了包括地球物理(地震解释)、地质建模、油藏工程和生产工程在内的各种行业主题。

在本书中,重点在于提供一种实用的方法,提供用于实现机器的逐步解释和代码示例,以及用于解决油气行业现实问题的深度学习算法。

你将学到什么

  • 了解石油和天然气行业的端到端的行业生命周期和数据流
  • 了解计算机编程和机器的基本概念,以及实现所使用的算法所需的深度学习
  • 研究一些有趣的行业问题,这些问题很有可能被机器和深度学习解决
  • 发现在石油和天然气行业中执行机器和深度学习项目的实际考虑和挑战

这本书是给谁的

  • 石油和天然气行业的专业人员,他们可以受益于对机器的实际理解和解决现实问题的深度学习方法。
成为VIP会员查看完整内容
0
45

相关内容

“机器学习是近20多年兴起的一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。机器学习理论主要是设计和分析一些让 可以自动“ 学习”的算法。机器学习算法是一类从数据中自动分析获得规律,并利用规律对未知数据进行预测的算法。因为学习算法中涉及了大量的统计学理论,机器学习与统计推断学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。很多 推论问题属于 无程序可循难度,所以部分的机器学习研究是开发容易处理的近似算法。” ——中文维基百科

知识荟萃

精品入门和进阶教程、论文和代码整理等

更多

查看相关VIP内容、论文、资讯等

《通向人工智能之路》向读者介绍了机器学习的关键概念,讨论了机器使用数据产生的预测的潜在应用和局限性,并为学者、律师和政策制定者之间关于如何明智地使用和管理它的辩论提供了信息。技术人员还将从过去120年与问责制、可解释性和有偏见的数据的法律斗争中汲取有用的经验教训。

https://link.springer.com/book/10.1007/978-3-030-43582-0#about

成为VIP会员查看完整内容
0
26

当看到这些材料时,一个明显的问题可能会出现:“为什么还要写一本深度学习和自然语言处理的书呢?”一些优秀的论文已经出版,涵盖了深度学习的理论和实践方面,以及它在语言处理中的应用。然而,从我教授自然语言处理课程的经验来看,我认为,尽管这些书的质量非常好,但大多数都不是针对最有可能的读者。本书的目标读者是那些在机器学习和自然语言处理之外的领域有经验的人,并且他们的工作至少部分地依赖于对大量数据,特别是文本数据的自动化分析。这些专家可能包括社会科学家、政治科学家、生物医学科学家,甚至是对机器学习接触有限的计算机科学家和计算语言学家。

现有的深度学习和自然语言处理书籍通常分为两大阵营。第一个阵营专注于深度学习的理论基础。这对前面提到的读者肯定是有用的,因为在使用工具之前应该了解它的理论方面。然而,这些书倾向于假设一个典型的机器学习研究者的背景,因此,我经常看到没有这种背景的学生很快就迷失在这样的材料中。为了缓解这个问题,目前存在的第二种类型的书集中在机器学习从业者;也就是说,如何使用深度学习软件,而很少关注理论方面。我认为,关注实际方面同样是必要的,但还不够。考虑到深度学习框架和库已经变得相当复杂,由于理论上的误解而滥用它们的可能性很高。这个问题在我的课程中也很常见。

因此,本书旨在为自然语言处理的深度学习搭建理论和实践的桥梁。我涵盖了必要的理论背景,并假设读者有最少的机器学习背景。我的目标是让任何上过线性代数和微积分课程的人都能跟上理论材料。为了解决实际问题,本书包含了用于讨论的较简单算法的伪代码,以及用于较复杂体系结构的实际Python代码。任何上过Python编程课程的人都应该能够理解这些代码。读完这本书后,我希望读者能有必要的基础,立即开始构建真实世界的、实用的自然语言处理系统,并通过阅读有关这些主题的研究出版物来扩展他们的知识。

http://clulab.cs.arizona.edu/gentlenlp/gentlenlp-book-05172020.pdf

成为VIP会员查看完整内容
0
26

学习设计思维的基本原理,以及如何在定义软件开发和人工智能解决方案时应用设计思维技术。设计思维是一种创新的方法,它能识别问题并产生解决方案,并能通过原型设计迅速得到验证。

这本书提供了设计思维的简史和过程的概述。然后深入探讨在设计思维研讨会中使用的方法和工具的更多细节,从而得出有用的原型。提供以下指引:

  • 为设计思考工作坊做准备
  • 发现可能被解决的潜在业务问题
  • 优先考虑可能的解决方案
  • 识别和描述利益相关者
  • 为开发选择正确的原型
  • 限制了原型构建的范围和最佳实践

本书最后讨论了成功原型的操作化的最佳实践,并描述了对成功采用至关重要的变更管理技术。您可以使用从阅读本书中获得的知识,将设计思维技术融入到您的软件开发和AI项目中,并确保及时和成功地交付解决方案。

你将学到什么

  • 获得什么是设计思维以及何时应用该技术的基本知识
  • 发现在研讨会中使用的准备和促进技巧
  • 了解想法是如何产生的,然后通过原型验证
  • 了解实现最佳实践,包括变更管理考虑事项

这本书是给谁的呢

  • 商业决策者和项目利益相关者,以及IT项目所有者,他们寻求一种方法,导致快速开发成功的软件和AI原型,证明真正的商业价值。也为数据科学家,开发人员和系统集成商谁有兴趣促进或利用设计思维研讨会,以推动潜在的软件开发和人工智能项目背后的势头。
成为VIP会员查看完整内容
0
49

探索多年来用户研究如何受到一系列学科的影响,如人机交互、可用性、人类学、认知心理学、人体工程学等。本书旨在为用户研究社区做出贡献,涵盖的主题将帮助用户体验专业人士、学生和利益相关者更好地理解什么是用户研究。

通过这本书,你将获得一套实用的技能,范围从如何进行研究,以建立一个案例,以获得所需的预算和资源。它将为你提供一个如何组织你的研究,如何计划它,以及如何在整个项目中管理利益相关者的期望的清晰的说明。您将看到如何将用户研究融入到您的组织中,并在不同的产品开发阶段(发现、Alpha、Beta直到上线)将其结合起来,以及如何发展一个用户研究团队。

《实用用户研究》回顾了用于用户研究的方法论,着眼于如何招募参与者,如何收集和分析数据,最后关注如何解释和展示你的发现。跨文化研究、可及性和辅助数字研究也将在本书中讨论。最后一章给你10个项目概要,你将能够应用你的新技能集,并将你所学到的付诸实践。

你将学习:

  • 将用户研究整合到你的业务中
  • 将用户研究应用到产品开发周期中
  • 审查进行用户研究所需的适当程序
  • 用一种实用的方法进行用户研究

这本书是给谁的:

  • 任何想了解更多用户研究的人。
成为VIP会员查看完整内容
0
39

使用高级架构开发和优化深度学习模型。这本书教你错综复杂的细节和微妙的算法,是卷积神经网络的核心。在高级应用深度学习中,您将学习CNN的高级主题和使用Keras和TensorFlow的对象检测。

在此过程中,您将了解CNN中的基本操作,如卷积和池化,然后了解更高级的架构,如inception networks、resnets等等。当这本书讨论理论主题时,你会发现如何有效地与Keras工作,其中有许多技巧和提示,包括如何用自定义回调类自定义Keras登录,什么是迫切执行,以及如何在你的模型中使用它。最后,您将学习对象检测是如何工作的,并在Keras和TensorFlow中构建YOLO(只查看一次)算法的完整实现。在书的最后,你将实现各种各样的模型在Keras和学习许多高级技巧,将把你的技能到下一个水平。

你将学到什么

  • 看看卷积神经网络和目标检测是如何工作的
  • 在磁盘上的权值和模型
  • 暂停训练,在稍后的阶段重新开始
  • 在代码中使用硬件加速
  • 使用数据集TensorFlow抽象和使用预先训练的模型和迁移学习
  • 删除和添加层到预先训练的网络,使其适应您的特定项目
  • 将预先训练好的模型(如Alexnet和VGG16)应用到新的数据集

这本书是给谁的

  • 拥有中级到高级Python和机器学习技能的科学家和研究人员。此外,还需要Keras和TensorFlow的中级知识。
成为VIP会员查看完整内容
0
57

利用物联网(IoT)将机器学习应用于农业、电信和能源领域的案例研究。本书首先介绍如何设置软件和硬件组件,包括各种传感器,以实现Python中的案例研究。

案例研究部分首先对电信行业的物联网电话掉线进行了研究,然后对工业机器的能源审计和预测维护进行了案例研究,最后介绍了农业企业预测现金作物歉收的技术。最后一节讨论在这些领域中实现机器学习和物联网时要避免的陷阱。

阅读本书后,您将了解物联网和机器学习如何在示例领域中使用,并有实际的案例研究来使用和扩展。使用Python,您将能够使用Raspberry pi3b +和Arduino Mega 2560创建企业级应用程序。

你会学到什么

  • 使用物联网实现机器学习,并使用Python解决电信、农业和能源行业的问题
  • 在实际场景中建立和使用工业级物联网产品,如Modbus RS485协议设备
  • 为商用级物联网或物联网项目开发解决方案
  • 利用物联网从零开始进行机器学习的案例研究

这本书是给谁的

  • Raspberry Pi和Arduino爱好者以及数据科学和机器学习专业人士。
成为VIP会员查看完整内容
0
50

通过机器学习的实际操作指南深入挖掘数据

机器学习: 为开发人员和技术专业人员提供实践指导和全编码的工作示例,用于开发人员和技术专业人员使用的最常见的机器学习技术。这本书包含了每一个ML变体的详细分析,解释了它是如何工作的,以及如何在特定的行业中使用它,允许读者在阅读过程中将所介绍的技术融入到他们自己的工作中。机器学习的一个核心内容是对数据准备的强烈关注,对各种类型的学习算法的全面探索说明了适当的工具如何能够帮助任何开发人员从现有数据中提取信息和见解。这本书包括一个完整的补充教师的材料,以方便在课堂上使用,使这一资源有用的学生和作为一个专业的参考。

机器学习的核心是一种基于数学和算法的技术,它是历史数据挖掘和现代大数据科学的基础。对大数据的科学分析需要机器学习的工作知识,它根据从训练数据中获得的已知属性形成预测。机器学习是一个容易理解的,全面的指导,为非数学家,提供明确的指导,让读者:

  • 学习机器学习的语言,包括Hadoop、Mahout和Weka
  • 了解决策树、贝叶斯网络和人工神经网络
  • 实现关联规则、实时和批量学习
  • 为安全、有效和高效的机器学习制定战略计划

通过学习构建一个可以从数据中学习的系统,读者可以在各个行业中增加他们的效用。机器学习是深度数据分析和可视化的核心,随着企业发现隐藏在现有数据中的金矿,这一领域的需求越来越大。对于涉及数据科学的技术专业人员,机器学习:为开发人员和技术专业人员提供深入挖掘所需的技能和技术。

成为VIP会员查看完整内容
0
77

获得高级数据分析概念的广泛基础,并发现数据库中的最新革命,如Neo4j、Elasticsearch和MongoDB。这本书讨论了如何实现ETL技术,包括主题爬行,这是应用在诸如高频算法交易和面向目标的对话系统等领域。您还将看到机器学习概念的示例,如半监督学习、深度学习和NLP。使用Python的高级数据分析还包括时间序列和主成分分析等重要的传统数据分析技术。

读完这本书,你将对分析项目的每个技术方面都有了经验。您将了解使用Python代码的概念,并提供在您自己的项目中使用的示例。

你会学到什么

  • 使用数据分析技术,如分类、聚类、回归和预测
  • 处理结构化和非结构化数据、ETL技术以及不同类型的数据库,如Neo4j、Elasticsearch、MongoDB和M- ySQL
  • 考察不同的大数据框架,包括Hadoop和Spark
  • 发现先进的机器学习概念,如半监督学习,深度学习,和NLP

这本书是给谁看的

对数据分析领域感兴趣的数据科学家和软件开发人员。

成为VIP会员查看完整内容
0
79

本书通过提供真实的案例研究和示例,为使用Python库进行机器学习提供了坚实的基础。它涵盖了诸如机器学习基础、Python入门、描述性分析和预测分析等主题。包括高级机器学习概念,如决策树学习、随机森林、增强、推荐系统和文本分析。这本书在理论理解和实际应用之间采取了一种平衡的方法。所有的主题都包括真实世界的例子,并提供如何探索、构建、评估和优化机器学习模型的逐步方法。

成为VIP会员查看完整内容
Machine Learning using Python by Manaranjan Pradhan.pdf
0
148

大大小小的公司都在启动人工智能项目,在软件、开发人员和数据科学家身上投入了大量资金。通常情况下,这些人工智能项目将重点放在技术上,而牺牲了可操作的或有形的业务结果,导致结果分散和投资浪费。人工智能的成功为人工智能项目制定了蓝图,以确保它们是可预测的、成功的和有利可图的。它充满了运行数据科学程序的实用技术,以确保它们的成本效益和专注于正确的业务目标。

对这项技术

对于一个成功的AI项目来说,最大的挑战不是决定你可以解决哪些问题。它决定你应该解决哪些问题。拥有巨额资金和顶尖人才的人工智能系统,如果不回答那些将推动真正商业价值的问题,仍然会失败。作为一个AI团队的领导者,你的工作是确保你引导你的团队朝着正确的目标前进,并实现一个能够按时并按预算交付结果的过程。

关于这本书

在《人工智能成功之道》一书中,作者兼人工智能顾问Veljko Krunic揭示了他与《财富》500强公司、早期创业公司以及其他横跨多个行业的企业共同开发的人工智能的成功秘诀。Veljko首先制定了一个框架,用于确定要为您的业务回答的正确问题。然后,他会教你一个可重复的过程,用于正确地组织一个AI项目,以最大化有限资源的价值,比如你的数据科学家的时间。您将学习建立指标,让您根据业务需求来判断您的机器学习的有效性,以及如何评估您的AI项目在其生命周期的早期是否在正确的轨道上。根据你将在现实世界中遇到的商业困境进行练习,你将学习如何管理ML流程并防止其发生固化。完成之后,您就可以开始明智地投资于数据科学,为您的业务提供具体、可靠和有利可图的结果。

里面有什么

  • 选择正确的AI项目以满足特定的业务目标
  • 节约资源,实现物有所值
  • 如何衡量你的人工智能努力在商业方面的成功
  • 预测自己是否在正确的轨道上交付预期的业务结果
成为VIP会员查看完整内容
0
64
小贴士
相关论文
Privacy Preserving for Medical Image Analysis via Non-Linear Deformation Proxy
Bach Ngoc Kim,Jose Dolz,Christian Desrosiers,Pierre-Marc Jodoin
0+阅读 · 11月25日
Justin K. Terry,Benjamin Black,Mario Jayakumar,Ananth Hari,Luis Santos,Clemens Dieffendahl,Niall L. Williams,Yashas Lokesh,Ryan Sullivan,Caroline Horsch,Praveen Ravi
0+阅读 · 11月24日
Zhao Yuzhi,Po Lai-Man,Wang Xuehui,Liu Kangcheng,Zhang Yujia,Yu Wing-Yin,Xian Pengfei,Xiong Jingjing
0+阅读 · 11月23日
Deepti Gupta,Paras Bhatt,Smriti Bhatt
0+阅读 · 11月22日
Taiane Schaedler Prass,Guilherme Pumi
0+阅读 · 11月20日
Avishek Joey Bose,Gauthier Gidel,Hugo Berard,Andre Cianflone,Pascal Vincent,Simon Lacoste-Julien,William L. Hamilton
0+阅读 · 11月20日
Self-labelling via simultaneous clustering and representation learning
Yuki Markus Asano,Christian Rupprecht,Andrea Vedaldi
3+阅读 · 2019年11月13日
Simultaneous Segmentation and Recognition: Towards more accurate Ego Gesture Recognition
Learning Discriminative Motion Features Through Detection
Gedas Bertasius,Christoph Feichtenhofer,Du Tran,Jianbo Shi,Lorenzo Torresani
3+阅读 · 2018年12月11日
Top