کتاب هوش مصنوعی در مهندسی آب

کتاب هوش مصنوعی در مهندسی آب نوشته محمد شایان نژاد، مسیر استفاده از پایتون و یادگیری ماشین را برای کار با داده‌ها و مسائل مرتبط با آب معرفی می‌کند. موضوع فقط انتخاب یک الگوریتم نیست؛ آماده‌سازی داده‌ها، ارزیابی مدل و استفاده از تصاویر ماهواره‌ای نیز در این مسیر جای دارند. انتشارات کنکاش این کتاب را منتشر کرده است. مثال‌هایی مانند کشف نشت در شبکه‌های انتقال آب، تشخیص تنش آبی گیاه و بهینه‌سازی فرایند تصفیه‌ی فاضلاب، پیوند مباحث محاسباتی با مسائل مهندسی را نشان می‌دهند. نسخه‌ی الکترونیکی این اثر را می‌توانید از طاقچه خرید و دانلود کنید.

درباره کتاب هوش مصنوعی در مهندسی آب

کتاب هوش مصنوعی در مهندسی آب نوشته محمد شایان نژاد، در هفت فصل، مقدمات کدنویسی را به مباحث مدل‌سازی، پردازش تصویر و بهینه‌سازی پیوند می‌دهد. نویسنده یادگیری ماشین را ابزاری برای استخراج الگوهای موجود در داده‌ها و ساخت مدل پیش‌بینی معرفی کرده است. فصل نخست با عنوان «کدنویسی در پایتون» از محیط گوگل کولب و دستورهای اولیه آغاز می‌شود و موضوعاتی مانند انواع متغیرها، لیست، تاپل، دیکشنری، ماتریس و دیتافریم را توضیح می‌دهد. خواندن داده‌ها از اکسل، ترسیم نمودار، تعریف تابع، محاسبات ریاضی و تحلیل سری‌های زمانی نیز در همین فصل جای دارند. مثال‌های مربوط به دما، بارش، رطوبت خاک، دبی و فشار نشان می‌دهند که انتخاب شکل مناسب برای نگهداری داده‌ها، بخشی از کار محاسباتی مهندس آب است. فصل «پیش‌پردازش داده‌ها» موضوعاتی مانند حذف داده‌های پرت، بازسازی مقادیر گمشده، کدگذاری، تغییر مقیاس و تقسیم داده‌ها به مجموعه‌های آموزش و تست را دنبال می‌کند. نویسنده ترتیب فصل‌ها را برای مطالعه پیشنهاد کرده است؛ بنابراین مقدمات برنامه‌نویسی و آماده‌سازی داده‌ها پیش از معرفی و اجرای مدل‌ها قرار گرفته‌اند.
کتاب هوش مصنوعی در مهندسی آب در فصل سوم، روش‌های یادگیری ماشین را معرفی می‌کند و تفاوت این شیوه با برنامه‌نویسی کلاسیک را توضیح می‌دهد. ماشین بردار پشتیبان، شبکه‌ی عصبی مصنوعی، خوشه‌بندی و یادگیری عمیق از موضوعات این فصل هستند. ارزیابی مدل‌ها، تعیین اهمیت ویژگی‌ها، اعتبارسنجی متقابل و بررسی عدم‌قطعیت نیز جای مشخصی دارند. فصل چهارم به اجرای روش‌های رگرسیون و طبقه‌بندی در پایتون اختصاص یافته است و کاربردهایی مانند بازسازی داده‌های گمشده و مسائل چندخروجی را در بر می‌گیرد. فصل پنجم، پردازش تصویر را از تشخیص اعداد و اشکال هندسی تا تشخیص تنش آبی گیاه دنبال می‌کند. فصل ششم دریافت نقشه‌ها و داده‌های ماهواره‌ای از گوگل ارث انجین، محاسبه‌ی شاخص‌های مرتبط با آب، خاک و گیاه و بررسی تغییرات زمانی شاخص‌ها را مطرح کرده است. موضوعاتی مانند تخمین حجم منابع آب زیرزمینی، تبخیر و تعرق و دمای سطح زمین نیز در این فصل حضور دارند. فصل پایانی به الگوریتم‌های تکاملی، از جمله الگوریتم ژنتیک و تکامل تفاضلی و کاربرد این روش‌ها در بهینه‌سازی اختصاص دارد.

خلاصه کتاب هوش مصنوعی در مهندسی آب

کتاب هوش مصنوعی در مهندسی آب، کاربرد یادگیری ماشین را در پیوند با چند فعالیت اصلی توضیح می‌دهد: آماده‌کردن داده‌ها، ساخت مدل، سنجیدن عملکرد مدل و استفاده از نتایج در مسائل مهندسی. داده‌های خام ممکن است مقادیر گمشده، داده‌های پرت یا مقیاس‌های متفاوت داشته باشند؛ به همین دلیل، پیش‌پردازش پیش از آموزش مدل مطرح می‌شود. روش‌های رگرسیون، طبقه‌بندی و خوشه‌بندی، ابزارهای بررسی مسئله‌های گوناگون هستند و شبکه‌های بازگشتی نیز برای داده‌های دارای توالی زمانی معرفی شده‌اند. محتوای این کتاب به داده‌های جدولی محدود نیست و تصویر، نقشه و اطلاعات ماهواره‌ای را نیز در بر می‌گیرد. بحث بهینه‌سازی، مسیر دیگری برای استفاده از محاسبات در تعیین وضعیت مناسب یک فرایند باز می‌کند. ایده‌ی محوری این کتاب، مرتبط‌کردن شناخت ابزارهای پایتون با نوع داده، هدف مدل‌سازی و نیاز مسئله‌ی آبی است؛ مسیری که ارزیابی و عدم‌قطعیت نیز بخشی از مباحث آن هستند.

چرا باید کتاب هوش مصنوعی در مهندسی آب را بخوانیم؟

دلایل خواندن کتاب هوش مصنوعی در مهندسی آب را می‌توان این‌طور خلاصه کرد:

• آموزش پایتون، مبانی لازم برای نگهداری و پردازش داده‌های مهندسی را پوشش می‌دهد.
• بحث پیش‌پردازش، نقش کیفیت داده را پیش از ساخت مدل روشن می‌کند.
• مباحث ارزیابی و اعتبارسنجی، معیارهایی برای بررسی عملکرد مدل معرفی می‌کنند.
• مثال‌های تصویری و ماهواره‌ای، کاربرد یادگیری ماشین را فراتر از جدول‌های عددی نشان می‌دهند.

خواندن این کتاب را به چه کسانی پیشنهاد می‌کنیم؟

کتاب هوش مصنوعی در مهندسی آب به این گروه‌ها پیشنهاد می‌شود:

• دانشجویان مهندسی آب که می‌خواهند کدنویسی پایتون را آغاز کنند.
• پژوهشگرانی که برای مدل‌سازی داده‌های آبی به یادگیری ماشین نیاز دارند.
• علاقه‌مندان به تحلیل تصاویر ماهواره‌ای و شاخص‌های آب، خاک و گیاه.