| Título : |
Deep Learning for Hydrometeorology and Environmental Science |
| Tipo de documento: |
documento electrónico |
| Autores: |
Lee, Taesam, Autor ; Singh, Vijay P., Autor ; Cho, Kyung Hwa, Autor |
| Mención de edición: |
1 ed. |
| Editorial: |
[s.l.] : Springer |
| Fecha de publicación: |
2021 |
| Número de páginas: |
XIV, 204 p. 189 ilustraciones, 133 ilustraciones en color. |
| ISBN/ISSN/DL: |
978-3-030-64777-3 |
| Nota general: |
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. |
| Palabras clave: |
Agua Hidrología Inteligencia artificial Ambiente Redes neuronales (Informática) Ecología humana Aplicaciones matemáticas en ciencias ambientales Ciencias ambientales Modelos matemáticos de procesos cognitivos y redes neuronales Estudios ambientales |
| Índice Dewey: |
551.48 Aguas dulces |
| Resumen: |
Este libro proporciona una metodología paso a paso y la derivación de algoritmos de aprendizaje profundo como Long Short-Term Memory (LSTM) y Convolution Neural Network (CNN), especialmente para la estimación de parámetros, con retropropagación, así como ejemplos con conjuntos de datos reales de hidrometeorología (por ejemplo, caudal y temperatura) y ciencias ambientales (por ejemplo, calidad del agua). El aprendizaje profundo se conoce como parte de la metodología de aprendizaje automático basada en la red neuronal artificial. La creciente disponibilidad de datos y la potencia informática mejoran las aplicaciones del aprendizaje profundo en los campos hidrometeorológico y ambiental. Sin embargo, los libros que se centran específicamente en aplicaciones en estos campos son limitados. La mayoría de los libros de aprendizaje profundo demuestran conocimientos teóricos y matemáticos. Sin embargo, son muy escasos los ejemplos con datos reales y explicaciones paso a paso para comprender los algoritmos en hidrometeorología y ciencias ambientales. Este libro se centra en la explicación de técnicas de aprendizaje profundo y sus aplicaciones a estudios hidrometeorológicos y ambientales con datos hidrológicos y ambientales reales. Este libro cubre los principales algoritmos de aprendizaje profundo como la memoria a corto plazo (LSTM) y la red neuronal convolucional (CNN), así como el modelo de red neuronal artificial convencional. |
| Nota de contenido: |
Introduction -- Mathematical Background -- Data Preprocessing -- Neural Network -- Training a Neural Network -- Updating Weights -- Improving model performance -- Advanced Neural Network Algorithms -- Deep learning for time series -- Deep learning for spatial datasets -- Tensorflow and Keras Programming for Deep Learning -- Hydrometeorological Applications of deep learning -- Environmental Applications of deep learning. |
| En línea: |
https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] |
| Link: |
https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i |
Deep Learning for Hydrometeorology and Environmental Science [documento electrónico] / Lee, Taesam, Autor ; Singh, Vijay P., Autor ; Cho, Kyung Hwa, Autor . - 1 ed. . - [s.l.] : Springer, 2021 . - XIV, 204 p. 189 ilustraciones, 133 ilustraciones en color. ISBN : 978-3-030-64777-3 Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.
| Palabras clave: |
Agua Hidrología Inteligencia artificial Ambiente Redes neuronales (Informática) Ecología humana Aplicaciones matemáticas en ciencias ambientales Ciencias ambientales Modelos matemáticos de procesos cognitivos y redes neuronales Estudios ambientales |
| Índice Dewey: |
551.48 Aguas dulces |
| Resumen: |
Este libro proporciona una metodología paso a paso y la derivación de algoritmos de aprendizaje profundo como Long Short-Term Memory (LSTM) y Convolution Neural Network (CNN), especialmente para la estimación de parámetros, con retropropagación, así como ejemplos con conjuntos de datos reales de hidrometeorología (por ejemplo, caudal y temperatura) y ciencias ambientales (por ejemplo, calidad del agua). El aprendizaje profundo se conoce como parte de la metodología de aprendizaje automático basada en la red neuronal artificial. La creciente disponibilidad de datos y la potencia informática mejoran las aplicaciones del aprendizaje profundo en los campos hidrometeorológico y ambiental. Sin embargo, los libros que se centran específicamente en aplicaciones en estos campos son limitados. La mayoría de los libros de aprendizaje profundo demuestran conocimientos teóricos y matemáticos. Sin embargo, son muy escasos los ejemplos con datos reales y explicaciones paso a paso para comprender los algoritmos en hidrometeorología y ciencias ambientales. Este libro se centra en la explicación de técnicas de aprendizaje profundo y sus aplicaciones a estudios hidrometeorológicos y ambientales con datos hidrológicos y ambientales reales. Este libro cubre los principales algoritmos de aprendizaje profundo como la memoria a corto plazo (LSTM) y la red neuronal convolucional (CNN), así como el modelo de red neuronal artificial convencional. |
| Nota de contenido: |
Introduction -- Mathematical Background -- Data Preprocessing -- Neural Network -- Training a Neural Network -- Updating Weights -- Improving model performance -- Advanced Neural Network Algorithms -- Deep learning for time series -- Deep learning for spatial datasets -- Tensorflow and Keras Programming for Deep Learning -- Hydrometeorological Applications of deep learning -- Environmental Applications of deep learning. |
| En línea: |
https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] |
| Link: |
https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i |
|  |
Deep Learning for Hydrometeorology and Environmental Science
