Machine Learning for Ecology and Sustainable Natural Resource Management / Humphries, Grant ; Magness, Dawn R. ; Huettmann, Falk  

Público ISBD Ningún comentario para este título. Título : Machine Learning for Ecology and Sustainable Natural Resource Management Tipo de documento: documento electrónico Autores: Humphries, Grant, ; Magness, Dawn R., ; Huettmann, Falk, Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2018 Número de páginas: XXIV, 441 p. 126 ilustraciones, 80 ilustraciones en color. ISBN/ISSN/DL: 978-3-319-96978-7 Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Idioma : Inglés (eng) Palabras clave: Bioinformática  Biometría  Procesamiento de datos  Sistemas de reconocimiento de patrones  Biología Computacional y de Sistemas  Bioestadística  Minería de datos y descubrimiento de conocimientos  Reconocimiento de patrones automatizado Clasificación: 577 Ciencias de la vida (Ecología) Resumen: Los ecologistas y administradores de recursos naturales están encargados de tomar decisiones de gestión complejas frente a un entorno que cambia rápidamente como resultado del cambio climático, el desarrollo energético, la expansión urbana, las especies invasoras y la globalización. Los avances en la tecnología de los Sistemas de Información Geográfica (SIG), la digitalización, la disponibilidad de datos en línea, los conjuntos de datos históricos heredados, los sensores remotos y la capacidad de recopilar datos sobre movimientos de animales vía satélite y GPS han dado lugar a conjuntos de datos grandes y altamente complejos. Estos conjuntos de datos podrían utilizarse para tomar decisiones de gestión críticas, pero a menudo son "confusos" y difíciles de interpretar. Los algoritmos básicos de inteligencia artificial (es decir, el aprendizaje automático) son herramientas poderosas que están dando forma al mundo y deben aprovecharse en las ciencias biológicas. En ecología, los algoritmos de aprendizaje automático son fundamentales para ayudar a los administradores de recursos a sintetizar información para comprender mejor los sistemas ecológicos complejos. El aprendizaje automático tiene una amplia variedad de aplicaciones poderosas, con tres usos generales que son de particular interés para los ecólogos: (1) exploración de datos para obtener conocimiento del sistema y generar nuevas hipótesis, (2) predecir patrones ecológicos en el espacio y el tiempo, y (3 ) reconocimiento de patrones para muestreo ecológico. El aprendizaje automático se puede utilizar para realizar evaluaciones predictivas incluso cuando las relaciones entre variables no se comprenden bien. Cuando las técnicas tradicionales no logran capturar la relación entre variables, el uso efectivo del aprendizaje automático puede descubrir y capturar conocimientos que antes eran inalcanzables sobre la complejidad de un ecosistema. Actualmente, muchos ecologistas no utilizan el aprendizaje automático como parte del proceso científico. Este volumen destaca cómo las técnicas de aprendizaje automático pueden complementar las metodologías tradicionales que se aplican actualmente en este campo. Nota de contenido: 1: Introduction to Machine Learning A. Data-intensive science B. Data Issues and Availability -- 2: Data-mining in Ecological and Wildlife Research A. Multiple Methods in the Scientific Process B. Data-mining in Ecological and Wildlife Research C. Applications in Ecological Research a. Predicting Patterns in Space and Time b. Data Exploration and Hypothesis Generation c. Pattern Recognition for Sampling D. Bringing It All Together: Leveraging Multiple Methods to Increase Knowledge for Resource Management -- 3: Machine Learning and Resource Management A. Web-based Machine Learning Applications for Wildlife Management B. Linking Machine Learning in Management Applications C. Machine Learning and the Cloud for Natural Resource Applications D. The Global View: Hopes and Disappointments E. The Future of Machine Learning. Tipo de medio : Computadora Summary : Ecologists and natural resource managers are charged with making complex management decisions in the face of a rapidly changing environment resulting from climate change, energy development, urban sprawl, invasive species and globalization. Advances in Geographic Information System (GIS) technology, digitization, online data availability, historic legacy datasets, remote sensors and the ability to collect data on animal movements via satellite and GPS have given rise to large, highly complex datasets. These datasets could be utilized for making critical management decisions, but are often "messy" and difficult to interpret. Basic artificial intelligence algorithms (i.e., machine learning) are powerful tools that are shaping the world and must be taken advantage of in the life sciences. In ecology, machine learning algorithms are critical to helping resource managers synthesize information to better understand complex ecological systems. Machine Learning has a wide variety of powerful applications, with three general uses that are of particular interest to ecologists: (1) data exploration to gain system knowledge and generate new hypotheses, (2) predicting ecological patterns in space and time, and (3) pattern recognition for ecological sampling. Machine learning can be used to make predictive assessments even when relationships between variables are poorly understood. When traditional techniques fail to capture the relationship between variables, effective use of machine learning can unearth and capture previously unattainable insights into an ecosystem's complexity. Currently, many ecologists do not utilize machine learning as a part of the scientific process. This volume highlights how machine learning techniques can complement the traditional methodologies currently applied in this field. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Machine Learning for Ecology and Sustainable Natural Resource Management [documento electrónico] / Humphries, Grant, ; Magness, Dawn R., ; Huettmann, Falk,  . -  1 ed.  . - [s.l.] : Springer, 2018 . - XXIV, 441 p. 126 ilustraciones, 80 ilustraciones en color. ISBN : 978-3-319-96978-7 Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Idioma : Inglés (eng) Palabras clave: Bioinformática  Biometría  Procesamiento de datos  Sistemas de reconocimiento de patrones  Biología Computacional y de Sistemas  Bioestadística  Minería de datos y descubrimiento de conocimientos  Reconocimiento de patrones automatizado Clasificación: 577 Ciencias de la vida (Ecología) Resumen: Los ecologistas y administradores de recursos naturales están encargados de tomar decisiones de gestión complejas frente a un entorno que cambia rápidamente como resultado del cambio climático, el desarrollo energético, la expansión urbana, las especies invasoras y la globalización. Los avances en la tecnología de los Sistemas de Información Geográfica (SIG), la digitalización, la disponibilidad de datos en línea, los conjuntos de datos históricos heredados, los sensores remotos y la capacidad de recopilar datos sobre movimientos de animales vía satélite y GPS han dado lugar a conjuntos de datos grandes y altamente complejos. Estos conjuntos de datos podrían utilizarse para tomar decisiones de gestión críticas, pero a menudo son "confusos" y difíciles de interpretar. Los algoritmos básicos de inteligencia artificial (es decir, el aprendizaje automático) son herramientas poderosas que están dando forma al mundo y deben aprovecharse en las ciencias biológicas. En ecología, los algoritmos de aprendizaje automático son fundamentales para ayudar a los administradores de recursos a sintetizar información para comprender mejor los sistemas ecológicos complejos. El aprendizaje automático tiene una amplia variedad de aplicaciones poderosas, con tres usos generales que son de particular interés para los ecólogos: (1) exploración de datos para obtener conocimiento del sistema y generar nuevas hipótesis, (2) predecir patrones ecológicos en el espacio y el tiempo, y (3 ) reconocimiento de patrones para muestreo ecológico. El aprendizaje automático se puede utilizar para realizar evaluaciones predictivas incluso cuando las relaciones entre variables no se comprenden bien. Cuando las técnicas tradicionales no logran capturar la relación entre variables, el uso efectivo del aprendizaje automático puede descubrir y capturar conocimientos que antes eran inalcanzables sobre la complejidad de un ecosistema. Actualmente, muchos ecologistas no utilizan el aprendizaje automático como parte del proceso científico. Este volumen destaca cómo las técnicas de aprendizaje automático pueden complementar las metodologías tradicionales que se aplican actualmente en este campo. Nota de contenido: 1: Introduction to Machine Learning A. Data-intensive science B. Data Issues and Availability -- 2: Data-mining in Ecological and Wildlife Research A. Multiple Methods in the Scientific Process B. Data-mining in Ecological and Wildlife Research C. Applications in Ecological Research a. Predicting Patterns in Space and Time b. Data Exploration and Hypothesis Generation c. Pattern Recognition for Sampling D. Bringing It All Together: Leveraging Multiple Methods to Increase Knowledge for Resource Management -- 3: Machine Learning and Resource Management A. Web-based Machine Learning Applications for Wildlife Management B. Linking Machine Learning in Management Applications C. Machine Learning and the Cloud for Natural Resource Applications D. The Global View: Hopes and Disappointments E. The Future of Machine Learning. Tipo de medio : Computadora Summary : Ecologists and natural resource managers are charged with making complex management decisions in the face of a rapidly changing environment resulting from climate change, energy development, urban sprawl, invasive species and globalization. Advances in Geographic Information System (GIS) technology, digitization, online data availability, historic legacy datasets, remote sensors and the ability to collect data on animal movements via satellite and GPS have given rise to large, highly complex datasets. These datasets could be utilized for making critical management decisions, but are often "messy" and difficult to interpret. Basic artificial intelligence algorithms (i.e., machine learning) are powerful tools that are shaping the world and must be taken advantage of in the life sciences. In ecology, machine learning algorithms are critical to helping resource managers synthesize information to better understand complex ecological systems. Machine Learning has a wide variety of powerful applications, with three general uses that are of particular interest to ecologists: (1) data exploration to gain system knowledge and generate new hypotheses, (2) predicting ecological patterns in space and time, and (3) pattern recognition for ecological sampling. Machine learning can be used to make predictive assessments even when relationships between variables are poorly understood. When traditional techniques fail to capture the relationship between variables, effective use of machine learning can unearth and capture previously unattainable insights into an ecosystem's complexity. Currently, many ecologists do not utilize machine learning as a part of the scientific process. This volume highlights how machine learning techniques can complement the traditional methodologies currently applied in this field. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...]

---

1 (1 - 1 / 1) Ver por página : 25 50 100 200