کتاب Machine Learning for Civil and Environmental Engineers: A Practical Approach to Data-Driven Analysis, Explainability, and Causality (یادگیری ماشین برای مهندسان عمران و محیط زیست: رویکردی عملی برای تحلیل داده‌محور، توضیح‌پذیری و علیت) کاربردی علم یادگیری ماشین را در مهندسی عمران و محیط زیست به صورت کاربردی شرح خواهد داد.
در ادامه مقدمه‌ای از کتاب Machine Learning for Civil and Environmental Engineers را از زبان نویسنده شرح خواهیم داد.
مقدمه‌ای بر کتاب Machine Learning for Civil and Environmental Engineers:
این کتاب درسی شامل یک سری فصل است. هر فصل یک ایده بزرگ در مورد یادگیری ماشین را پوشش می‌دهد. فصل‌ها به‌گونه‌ای سازمان‌دهی شده‌اند که شبیه رایج‌ترین فرآیند فکری در پذیرش یادگیری ماشین در یک مشکل در مهندسی عمران و محیط زیست است.
این فصل‌ها شامل مثال‌ها و آموزش‌ها نیز می باشد. برخی از مثال‌ها کوتاه هستند، در حالی که برخی دیگر ممکن است چند فصل را شامل شوند. متوجه خواهید شد که من تمایل به استفاده از مثال‌های گویا در مورد اجزای ساده (یعنی تیرها و ستون‌ها) دارم، زیرا تجسم آن‌ها آسان است و می‌توان آن‌ها را به عنوان استعاره‌هایی در نظر گرفت که احتمالاً به سایر زمینه‌های فرعی نیز تعمیم داده می‌شوند.
بیشتر بخوانید: کتاب Serverless Machine Learning with Amazon Redshift
کتاب Machine Learning for Civil and Environmental Engineers الهام گرفته و نمونه‌هایی از بسیاری از زیر حوزه‌های مربوط به مهندسی عمران و محیط زیست می‌گیرد، از آنجایی که این یک کتاب درسی است، منطقی است که بخش‌هایی در مورد تعاریف، طرح‌های اولیه و همچنین سؤالات و مشکلات در پایان هر فصل گنجانده شود.
بخش تعاریف، اصطلاحات اصلی برجسته شده در هر فصل را خلاصه می‌کند، و طرح‌ها نمایشی بصری از مفاهیم هر فصل را ارائه می‌کنند. سؤالات را می‌توان با مرور بحث ارائه شده در هر فصل مربوطه پاسخ داد. از طرف دیگر، مشکلات ممکن است شما را ملزم به ساخت مدل‌های یادگیری ماشین از طریق سکوهای بدون کدگذاری/کدگذاری یا از طریق کدنویسی ساده کنند.
برای این موارد، من کدهای (اسکریپت‌ها) و پایگاه داده‌های زیادی را در اختیار شما قرار داده ام که می‌تواند شما را در ساخت مدل‌ها، برنامه نویسی و کدنویسی آسان کند. به راحتی می‌توان از طریق وب سایت من به آن‌ها دسترسی داشت. هدف من از این سؤالات و مشکلات این است که شما را دعوت کنم تا کمی بیشتر یادگیری ماشین را یاد بگیرید و تمرین کنید.
صحبت از برنامه‌نویسی و کدنویسی شد. من قصد نداشتم این کتاب منبع دیگری برای یادگیری یادگیری ماشین از طریق کدنویسی باشد. به این ترتیب، من چشم‌انداز زیادی را به آموزش برنامه‌نویسی/کدنویسی اختصاص ندادم. روند فکر من این است که من می‌خواهم که شما در مورد یادگیری ماشین به عنوان یک روش – نه به عنوان یک تمرین کدنویسی یاد بگیرید و منابع زیادی برای آموزش کدنویسی در آنجا وجود دارد.
بیشتر بخوانید: کتاب Signal Processing and Machine Learning Theory
کتاب Machine Learning for Civil and Environmental Engineers در مورد یادگیری ماشین در مهندسی عمران و محیط زیست است و در مورد کدگذاری مسائل مهندسی عمران و محیط زیست با استفاده از یادگیری ماشین نیست. تمایز، در عین حال که ظریف است، لازم و ضروری است تا روشن شود.
حال، اجازه دهید در مورد هر فصل صحبت کنیم.
فصل 1 مجموعه ای از راهبردها، رویکردها و مسیرهای چند روش آموزشی را که برای این کتاب درسی پیش بینی/پیشنهاد می‌کنم، تشریح می‌کند. این فصل همچنین امیدوار است که چالش مداوم نوسازی برنامه درسی مهندسی عمران و محیط زیست را بررسی کند. من این فصل را به عنوان پایه ای برای دانشجویان و اساتیدی که به یادگیری ماشین علاقه مند هستند، اما ممکن است در یادگیری ماشین مهارت نداشته باشند، تنظیم می‌کنم. این فصل می‌تواند برای کاربران پیشرفته یادگیری ماشین نیز جالب باشد.
فصل 2 کتاب Machine Learning for Civil and Environmental Engineers به طور رسمی ما را با یادگیری ماشین آشنا می‌کند. این فصل با تاریخچه مختصری از یادگیری ماشین از علوم کامپیوتر و همچنین از دیدگاه مهندسی عمران و محیط زیست آغاز می‌شود. ما همچنین یک چارچوب سیستماتیک (خط لوله) را برای ساخت و تطبیق مدل‌های مناسب یادگیری ماشین بررسی خواهیم کرد.
فصل 3 کتاب Machine Learning for Civil and Environmental Engineers جایی است که در مورد نقش داده‌ها و آمار در یادگیری ماشین بحث می‌کنیم. در اینجا، ما کمی در مورد اینکه از کجا داده‌ها را دریافت کنیم، در هنگام جمع‌آوری چنین داده‌هایی چه کاری باید انجام دهیم، برخی از تکنیک‌های مدیریت داده که یک یادگیری ماشین معمولی نیاز دارد و غیره صحبت خواهیم کرد.
فصل 4 کتاب Machine Learning for Civil and Environmental Engineers همه چیز در مورد الگوریتم‌های مختلف یادگیری ماشین است. اینها ابزارهای اصلی هستند که به ما کمک می‌کنند تا مدل‌های یادگیری ماشین را برای حل بسیاری از مشکلات خود اعمال و ایجاد کنیم. این فصل مفاهیم کلیدی نظری و عملی را برای الگوریتم‌های نظارت شده و بدون نظارت ارائه می‌کند.
فصل 5 کتاب Machine Learning for Civil and Environmental Engineers شاید آخرین فصل نظری قبل از رسیدن به تمرین یادگیری ماشین باشد. در این فصل، ما اصول و مفاهیم پشت شاخص‌های تناسب عملکرد یادگیری ماشین و معیارهای خطای مورد نیاز برای تعیین کمیت کفایت مدل‌هایمان را پوشش می‌دهیم.
فصل 6 کتاب Machine Learning for Civil and Environmental Engineers جایی است که ما یادگیری ماشین را تمرین می‌کنیم! ما با قلمرو یادگیری ماشین بدون کدنویسی و مبتنی بر کدنویسی آشنا خواهیم شد. ما همچنین چند پلت فرم، مشکلات و تحلیل‌های هیجان انگیز را بررسی خواهیم کرد. نمونه‌ها و آموزش‌های زیادی را خواهید دید و لذت خواهید برد.
فصل 7 کتاب Machine Learning for Civil and Environmental Engineers فراتر از مدل‌سازی یادگیری ماشین جعبه سیاه سنتی است تا نقش یادگیری ماشین قابل توضیح و تفسیر را نشان دهد. در این فصل ابتدا به روش‌های توضیح‌پذیری می‌پردازیم و سپس با مثال‌ها و آموزش‌هایی که در فصل 6 دیده و تمرین کرده‌ایم، اما ابزارهای لازم (مانند SHAP و نمودارهای وابستگی جزئی و غیره) را برای جعبه‌گشایی جعبه سیاه اضافه می‌کنیم.
فصل 8 علیت را به همراه اصول آن از لنز یادگیری ماشین و مهندسی عمران و محیط زیست معرفی می‌کند. این فصل همچنین به روش‌ها و الگوریتم‌هایی برای شناسایی فرآیند تولید داده، فرآیند ایجاد مدل‌های یادگیری ماشین علّی و استنتاج علی دانش از چنین مدل‌هایی می‌پردازد.
فصل 9 کتاب Machine Learning for Civil and Environmental Engineers موضوعات پیشرفته را پوشش می‌دهد. این عناوین مفاهیم متعددی را در بر می گیرد که می تواند کمی در طول دوره طراحی شده برای مبتدیان گسترش یابد. من می‌توانم این موضوعات را بیشتر برای پروژه‌های تحقیقاتی و یک سخنرانی مهمان احتمالی که در پایان یک دوره معمولی برگزار می‌شود، ببینم تا احتمالاً دانشجویان علاقه‌مند به یادگیری ماشین را جذب و حفظ کنند تا ایده‌های بزرگ دیگر را بیشتر بررسی کنند.
فصل 10 توصیه‌ها، پیشنهادها و بهترین شیوه‌هایی را ارائه می‌کند که می‌تواند در تحقیقات مبتنی بر یادگیری ماشین کمک کند. به نظر من اینها برای بسیاری از مشکلات ما آموزنده و کاربردی هستند. همین امر همچنین می‌تواند به شما نگاهی اجمالی به وضعیت دامنه ما و نحوه استفاده و پذیرش همکاران ما از یادگیری ماشین بدهد.
بخش اصلی کتاب Machine Learning for Civil and Environmental Engineers با فصل 11 به پایان می‌رسد. این فصل برای نمایش برخی از روندهای احتمالی آینده که به طور بالقوه می‌توانند از یادگیری ماشین بهره‌مند شوند طراحی شده است. برخی از این ایده‌ها ممکن است کوتاه شده و تنظیم شوند تا در مسائل و پروژه‌های تحقیقاتی آینده مورد بررسی قرار گیرند.
ضمیمه به بخش‌های فرعی تقسیم می‌شود که در آن آنچه را که احساس می‌کنم و معتقدم برخی اطلاعات ارزشمند، منابع، تکنیک‌ها و مثال‌های اضافی است فهرست می‌کنم و به اشتراک می‌گذارم که نتوانستم در فصل‌های اصلی این کتاب پوشش دهم. به چند عنوان بخش، نماد snowflake32 اختصاص داده شد. این بخش‌ها پیشرفته هستند و ممکن است برای کاربران با تجربه مفید باشند.
سرفصل‌های کتاب Machine Learning for Civil and Environmental Engineers:
- Machine Learning for Civil & Environmental Engineers
- Contents
- Preface
- About the Companion Website
- 1 Teaching Methods for This Textbook
- 2 Introduction to Machine Learning
- 3 Data and Statistics
- 4 Machine Learning Algorithms
- 5 Performance Fitness Indicators and Error Metrics
- 6 Coding-free and Coding-based Approaches to Machine Learning
- 7 Explainability and Interpretability
- 8 Causal Discovery and Causal Inference
- 9 Advanced Topics (Synthetic and Augmented Data, Green ML, Symbolic Regression, Mapping Functions, Ensembles, and AutoML)
- 10 Recommendations, Suggestions, and Best Practices
- 11 Final Thoughts and Future Directions
- Index
- EULA
جهت دانلود کتاب Machine Learning for Civil and Environmental Engineers می‌توانید پس از پرداخت، دریافت کنید.
نقد و بررسی‌ها
هنوز بررسی‌ای ثبت نشده است.