Cantitate/Preț
Produs
Total produse
Vezi coșul
Machine Learning for Civil and Environmental Engineers de M Z Naser

Machine Learning for Civil and Environmental Engineers

Autor M Z Naser
en Limba Engleză Hardback – 21 iul 2023

În peisajul actual al învățământului tehnic, integrarea inteligenței artificiale în disciplinele tradiționale a devenit o necesitate curriculară stringentă. Machine Learning for Civil and Environmental Engineers – A Practical Approach to Data–Driven Analysis, Explainability, and Causality se poziționează ca un manual fundamental, conceput să facă tranziția de la teoria abstractă a algoritmilor la soluții inginerești aplicate. Ne-a atras atenția în mod deosebit echilibrul pe care MZ Naser îl menține între rigoarea statistică și nevoile practice ale unui inginer de structuri sau de mediu. Suntem de părere că valoarea acestui volum rezidă în abordarea „pipeline-ului” complet de învățare automată. Autorul nu se rezumă la prezentarea modelelor de regresie sau clasificare, ci insistă asupra dezvoltării bazelor de date și a diagnosticului acestora, elemente critice în proiectele de infrastructură unde datele pot fi incomplete sau zgomotoase. Din punct de vedere al progresiei, manualul ghidează cititorul de la fundamentele educației în inginerie, trecând prin vizualizarea datelor, până la studii de caz complexe, cum ar fi evaluarea răspunsului podurilor la hazarde naturale sau predicția calității apei. Această lucrare extinde cadrul propus de Data Science for Civil Engineering prin introducerea unor concepte avansate de explicabilitate și cauzalitate, esențiale atunci când deciziile algoritmice influențează siguranța publică. Spre deosebire de Introduction to Environmental Data Science, care se concentrează pe meteorologie și oceanografie, volumul de față este mult mai ancorat în ingineria structurală și materialele de construcții, oferind instrumente specifice pentru optimizarea amestecurilor de beton sau analiza consumului energetic în clădiri. Este o resursă care elimină bariera de intrare în domeniu, oferind atât metode bazate pe cod, cât și tehnici „coding-free” pentru profesioniștii care doresc rezultate imediate.

Citește tot Restrânge

Preț: 48052 lei

Preț vechi: 59323 lei
-19%

Puncte Express: 721

Carte disponibilă

Livrare economică 11-25 mai
Livrare express 24-30 aprilie pentru 7131 lei

 Adaugă în coș

Wish list
Gift list
Am citit!
Adaugă în listă

Specificații

ISBN-13: 9781119897606
ISBN-10: 1119897602
Pagini: 608
Dimensiuni: 226 x 282 x 37 mm
Greutate: 1.48 kg
Ediția:1
Editura: Wiley
Locul publicării:Hoboken, United States

De ce să citești această carte

Această carte este esențială pentru studenții și inginerii care doresc să stăpânească instrumentele de analiză bazate pe date fără a se pierde în demonstrații matematice pur teoretice. Cititorul câștigă competențe practice în implementarea algoritmilor de machine learning pentru probleme reale, de la mentenanța podurilor la gestionarea resurselor de apă, beneficiind de baze de date și coduri gata de utilizare pentru exercițiu.

Despre autor

MZ Naser este un profesionist înalt calificat, cu o experiență semnificativă în intersecția dintre inteligența artificială și ingineria structurală. Expertiza sa se concentrează pe aplicarea metodelor de învățare automată pentru a rezolva probleme complexe de rezistență a materialelor și siguranță a infrastructurii sub acțiunea factorilor de risc. Prin activitatea sa academică și de cercetare, Naser a contribuit la dezvoltarea unor cadre metodologice care prioritizează explicabilitatea modelelor AI, asigurându-se că soluțiile propuse sunt nu doar precise, ci și transparente pentru practica inginerească.

Notă biografică

M.Z. Naser is a tenure-track faculty member at the School of Civil and Environmental Engineering & Earth Sciences, a member of the AI Research Institute for Science and Engineering (AIRISE) at Clemson University, USA. Dr. Naser has co-authored over 100 publications and has 10 years of experience in structural engineering and AI. His research interest spans causal & explainable AI methodologies to discover new knowledge hidden within the domains of structural & fire engineering and materials science to realize functional, sustainable, and resilient infrastructure. He is a registered professional engineer and a member of various international editorial boards and building committees.

Cuprins

Preface xiii About the Companion Website xix 1 Teaching Methods for This Textbook 1 Synopsis 1 1.1 Education in Civil and Environmental Engineering 1 1.2 Machine Learning as an Educational Material 2 1.3 Possible Pathways for Course/Material Delivery 3 1.4 Typical Outline for Possible Means of Delivery 7 Chapter Blueprint 8 Questions and Problems 8 References 8 2 Introduction to Machine Learning 11 Synopsis 11 2.1 A Brief History of Machine Learning 11 2.2 Types of Learning 12 2.3 A Look into ML from the Lens of Civil and Environmental Engineering 15 2.4 Let Us Talk a Bit More about ML 17 2.5 ML Pipeline 18 2.6 Conclusions 27 Definitions 27 Chapter Blueprint 29 Questions and Problems 29 References 30 3 Data and Statistics 33 Synopsis 33 3.1 Data and Data Science 33 3.2 Types of Data 34 3.3 Dataset Development 37 3.4 Diagnosing and Handling Data 37 3.5 Visualizing Data 38 3.6 Exploring Data 59 3.7 Manipulating Data 66 3.8 Manipulation for Computer Vision 68 3.9 A Brief Review of Statistics 68 3.10 Conclusions 76 4 Machine Learning Algorithms 81 Synopsis 81 4.1 An Overview of Algorithms 81 4.2 Conclusions 127 5 Performance Fitness Indicators and Error Metrics 133 Synopsis 133 5.1 Introduction 133 5.2 The Need for Metrics and Indicators 134 5.3 Regression Metrics and Indicators 135 5.4 Classification Metrics and Indicators 142 5.5 Clustering Metrics and Indicators 142 5.6 Functional Metrics and Indicators* 151 5.7 Other Techniques (Beyond Metrics and Indicators) 154 5.8 Conclusions 159 6 Coding-free and Coding-based Approaches to Machine Learning 169 Synopsis 169 6.1 Coding-free Approach to ML 169 6.2 Coding-based Approach to ML 280 6.3 Conclusions 322 7 Explainability and Interpretability 327 7 Synopsis 327 7.1 The Need for Explainability 327 7.2 Explainability from a Philosophical Engineering Perspective* 329 7.3 Methods for Explainability and Interpretability 331 7.4 Examples 335 7.5 Conclusions 428 8 Causal Discovery and Causal Inference 433 Synopsis 433 8.1 Big Ideas Behind This Chapter 433 8.2 Re-visiting Experiments 434 8.3 Re-visiting Statistics and ML 435 8.4 Causality 436 8.5 Examples 451 8.6 A Note on Causality and ML 475 8.7 Conclusions 475 9 Advanced Topics (Synthetic and Augmented Data, Green ML, Symbolic Regression, Mapping Functions, Ensembles, and AutoML) 481 Synopsis 481 9.1 Synthetic and Augmented Data 481 9.2 Green ML 488 9.3 Symbolic Regression 498 9.4 Mapping Functions 529 9.5 Ensembles 539 9.6 AutoML 548 9.7 Conclusions 552 10 Recommendations, Suggestions, and Best Practices 559 Synopsis 559 10.1 Recommendations 559 10.2 Suggestions 564 10.3 Best Practices 566 11 Final Thoughts and Future Directions 573 Synopsis 573 11.1 Now 573 11.2 Tomorrow 573 11.3 Possible Ideas to Tackle 575 11.4 Conclusions 576 References 576 Index 577

Descriere

Accessible and practical framework for machine learning applications and solutions for civil and environmental engineers This textbook introduces engineers and engineering students to the applications of artificial intelligence (AI), machine learning (ML), and machine intelligence (MI) in relation to civil and environmental engineering projects and problems, presenting state-of-the-art methodologies and techniques to develop and implement algorithms in the engineering domain. Through real-world projects like analysis and design of structural members, optimizing concrete mixtures for site applications, examining concrete cracking via computer vision, evaluating the response of bridges to hazards, and predicating water quality and energy expenditure in buildings, this textbook offers readers in-depth case studies with solved problems that are commonly faced by civil and environmental engineers. The approaches presented range from simplified to advanced methods, incorporating coding-based and coding-free techniques. Professional engineers and engineering students will find value in the step-by-step examples that are accompanied by sample databases and codes for readers to practice with. Written by a highly qualified professional with significant experience in the field, Machine Learning includes valuable information on: The current state of machine learning and causality in civil and environmental engineering as viewed through a scientometrics analysis, plus a historical perspective Supervised vs. unsupervised learning for regression, classification, and clustering problems Explainable and causal methods for practical engineering problems Database development, outlining how an engineer can effectively collect and verify appropriate data to be used in machine intelligence analysis A framework for machine learning adoption and application, covering key questions commonly faced by practitioners This textbook is a must-have reference for undergraduate/graduate students to learn concepts on the use of machine learning, for scientists/researchers to learn how to integrate machine learning into civil and environmental engineering, and for design/engineering professionals as a reference guide for undertaking MI design, simulation, and optimization for infrastructure.