مقاله انگلیسی رایگان در مورد یادگیری ماشین برای خدمات اکوسیستم – الزویر ۲۰۱۸

مقاله انگلیسی رایگان در مورد یادگیری ماشین برای خدمات اکوسیستم – الزویر ۲۰۱۸

 

مشخصات مقاله
انتشار مقاله سال ۲۰۱۸
تعداد صفحات مقاله انگلیسی ۱۰ صفحه
هزینه دانلود مقاله انگلیسی رایگان میباشد.
منتشر شده در نشریه الزویر
نوع مقاله ISI
عنوان انگلیسی مقاله Machine learning for ecosystem services
ترجمه عنوان مقاله یادگیری ماشین برای خدمات اکوسیستم
فرمت مقاله انگلیسی  PDF
رشته های مرتبط مهندسی کامپیوتر
گرایش های مرتبط هوش مصنوعی
مجله خدمات اکوسیستم – Ecosystem Services
دانشگاه School of Environment – Bangor University – United Kingdom
کلمات کلیدی ARIES، هوش مصنوعی، کلان داده، مدل سازی داده ها محوری، علم اطلاعات، یادگیری ماشین، نقشه برداری، مدل سازی، عدم اطمینان، وکا
کلمات کلیدی انگلیسی ARIES, Artificial intelligence, Big data, Data driven modelling, Data science, Machine learning, Mapping, Modelling, Uncertainty, Weka
کد محصول E7824
وضعیت ترجمه مقاله  ترجمه آماده این مقاله موجود نمیباشد. میتوانید از طریق دکمه پایین سفارش دهید.
دانلود رایگان مقاله دانلود رایگان مقاله انگلیسی
سفارش ترجمه این مقاله سفارش ترجمه این مقاله

 

بخشی از متن مقاله:
۱٫ Introduction

Many scientific disciplines are taking an increasingly integrative approach to planetary problems such as global climate change, food security and human migration (Baziliana et al., 2011; Bullock et al., 2017). To address such challenges, methods and practices are becoming more reliant on large, interdisciplinary data repositories often collected in cutting-edge ways, for example via citizen scientists or automated data collection (Isaac et al., 2014). Recent developments in information technology have expanded modelling capabilities, allowing researchers to maximise the utility of such ‘big data’ (Lokers et al., 2016). Here, we focus on one of these developments: data-driven modelling (DDM). DDM is a type of empirical modelling by which the data about a system are used to create models, which use observed systems’ states as inputs for estimating some other system state(s), i.e., outputs (Jordan and Mitchell, 2015; Witten et al., 2016). Thus, DDM is the process of identifying useful patterns in data, a process sometimes previously referred to as knowledge discovery in databases (Fayyad et al., 1996). This process consists of five key steps: 1) understanding the research goal, 2) selecting appropriate data, 3) data cleaning, pre-processing and transformation, 4) data mining (creating a data driven model), and 5) interpretation/evaluation (Fayyad et al., 1996) (Fig. 1). A variety of methods for data mining and analysis are available, some of which utilise machine learning algorithms (Witten et al., 2016; Wu et al., 2014) (Fig. 1). A machine learning algorithm is a process that is used to fit a model to a dataset, through training or learning. The learned model is subsequently used against an independent dataset, in order to determine how well the learned model can generalise against the unseen data, a process called testing (Ghahramani, 2015; Witten et al., 2016). This training–testing process is analogous to the calibration–validation process associated with many process-based models.

برچسب ها

ثبت دیدگاه