新書推薦：
《
不在场证明谜案（超绝CP陷入冤案！日本文坛超新星推理作家——辻堂梦代表作首次引进！）
》
售價：HK$
59.8
《
明式家具三十年经眼录
》
售價：HK$
538.2
《
敦煌写本文献学（增订本）
》
售價：HK$
227.7
《
耕读史
》
售價：HK$
112.7
《
地理计算与R语言
》
售價：HK$
124.2
《
沈括的知识世界：一种闻见主义的实践（中华学术译丛）
》
售價：HK$
89.7
《
大思维：哥伦比亚商学院六步创新思维模型
》
售價：HK$
74.8
《
宏观经济学（第三版）【2024诺贝尔经济学奖获奖者作品】
》
售價：HK$
159.9
|
| 內容簡介： |
|
《行星科学的机器学习》是一本横跨行星科学、机器学习、人工智能、软件分析、工程实践等多个领域的专著，主要介绍了多年来对机器学习理论用于行星科学探测的理解，通过深入浅出的理论阐述，利用索取行星公开数据的工具，对行星探测、着陆车等方面的典型实例进行详细分析，较为全面地介绍了机器学习方法在行星科学中的理论分析、工具应用与实例分析过程。
|
| 關於作者： |
Joern Helbert
德国航空航天中心（DLR），柏林，德国
Mario DAmore
德国航空航天中心（DLR），柏林，德国
Michael Aye
科罗拉多大学大气与空间物理实验室，博尔德，科罗拉多州，美国
Hannah Kerner
马里兰大学，帕克分校，马里兰州，美国
|
| 目錄：
|
第1章机器学习简介1
1.1机器学习方法概述1
1.2监督学习2
1.2.1分类2
1.2.2回归分析3
1.3无监督学习4
1.3.1聚类分析5
1.3.2降维5
1.4半监督学习6
1.4.1自我训练6
1.4.2期望最大化的自我训练7
1.4.3协同训练8
1.5主动学习8
1.5.1不确定度采样8
1.5.2委员会查询9
1.6流行的机器学习方法9
1.6.1主成分分析法9
1.6.2K均值聚类10
1.6.3支持向量机10
1.6.4决策树与随机森林法11
1.6.5神经网络12
1.7数据集准备14
参考文献16
第2章行星任务中独特的新挑战19
2.1跨越50年的水星探测19
2.2大型复杂数据返回面临的挑战23
2.3面对未知24
2.4行星科学中的机器学习25
参考文献26
第3章行星数据的查找与读取29
3.1数据采集29
3.1.1简介29
3.1.2数据处理级别29
3.1.3PDS30
3.1.4欧洲空间局行星科学档案35
3.1.5使用Python读取数据36
3.1.6要查看的空间39
第4章Python高光谱分析工具（PyHAT）简介40
4.1简介40
4.2 PyHAT库结构41
4.3PyHAT 轨道43
4.3.1紧凑型火星侦察成像分光计（CRISM）44
4.3.2月球矿物学制图仪（M3）46
4.3.3Kaguya光谱剖面仪48
4.4原位PyHAT52
4.4.1基线删除示例54
4.4.2回归分析示例56
4.4.3数据勘探示例56
4.4.4校准转移58
4.5结论61
参考文献64
第5章教程：如何访问、处理和标记用于机器学习的PDS图像数据69
5.1简介69
5.2访问PDS数据产品70
5.2.1PDS成像图集70
5.2.2PDS成像节点数据门户71
5.3对PDS数据产品进行标准图像格式预处理73
5.3.1PDS图像数据产品74
5.3.2PDS浏览图像74
5.3.3转换PDS图像数据产品75
5.4标记图像数据77
5.4.1公开可用的标记图像数据集77
5.4.2用于标记图像数据的工具79
5.5PDS图像分类器示例结果81
5.5.1训练集、验证集和测试集81
5.5.2模型微调81
5.5.3模型校准与性能81
5.5.4访问HiRISeNet分类结果82
5.6总结83
参考文献84
第6章通过学习特定模式回归模型进行行星图像补绘85
6.1简介85
6.2相关工作86
6.3实验数据87
6.4提出的方法87
6.4.1直方图聚类的无监督分离88
6.5网络架构90
6.5.1训练细节90
6.5.2基于反射的信息增强方法91
6.6实验结果91
6.6.1性能评估92
6.7结论97
参考文献98
第7章基于无监督学习的水星可见近红外反射率光谱自动表面制图与分类100
7.1简介100
7.2水星与MASCS仪器101
7.3数据准备102
7.4从多元数据中学习103
7.4.1降维:ICA103
7.4.2流形学习104
7.4.3聚类分析107
7.4.4结论109
参考文献112
第8章绘制土星上的风暴图116
8.1介绍116
8.1.1卡西尼惠更斯号和氨云116
8.2探索性主成分分析117
8.3深度学习方法118
8.3.1预处理和预标记120
8.3.2神经网络 121
8.3.3训练与超参数优化122
8.3.4分类验证123
8.4土星特征图124
参考文献127
第9章行星漫游车的机器学习130
9.1简介130
9.2风险和资源感知型AutoNav133
9.2.1概述133
9.2.2地形分类133
9.2.3岩石灾害探测136
9.2.4基于视觉的滑移和驱动能量预测137
9.3科学驾驶139
9.3.1概述139
9.3.2SCOTI:地形图像的科学说明139
9.3.3图像相似性搜索141
9.3.4DBS接口141
9.3.5科学家的DBS实验142
9.4测试漫游车演示143
9.5结论与未来工作144
参考文献146
第10章结合机器学习回归模型和贝叶斯推断来解释遥感数据149
10.1对精确快进功能的需求149
10.2反问题的贝叶斯方法149
10.3基于机器学习的代理模型150
10.4案例研究:用代理模型约束小行星的热特性150
10.4.1热物理模拟数据集151
10.4.2风化层与岩石混合物的红外代理模型152
10.4.3Itokawa热物理性质的贝叶斯推断153
10.5数据融合的未来展望154
10.5.1遥感数据融合154
10.5.2行星形成理论155
10.5.3航天器自主性155
参考文献157
|
| 內容試閱：
|
自行星探索开始以来，人类就使用机器人探索太阳系中的其他行星。阿波罗时代，机器结构的宇宙飞船先于人类登陆月球，以收集有关月球表面特征和着陆地点等关键信息。如今，科学家们使用搭载照相机、光谱仪及其他仪器的毅力号和好奇号探测车，对火星表面进行详细的科学分析与实地地质考察。如今，人类正在使用20多个探测器积极探索太阳系行星及其他星体，未来十年这一数字还会变得更大［1］。人类将越来越多携带精密仪器的探测器发射到太阳系，从而使每次观测都能获得更多可供科学家分析的信息，增加了现存行星探测任务数据量。图01证明了这一点。它展示了1965年拍摄的第一张火星照片，以及近50年后的2014年拍摄的另一张火星特写照片。科学家需要采用一种不同的机器手段，即机器学习，来分析过去、现在和未来行星探测任务所获取的数据。机器学习是人工智能的分支领域，它可以自动从数据中学习、感知与预测。
图01左图：1965年7月15日，水手4号探测器拍摄的第一张火星特写照片
（资料来源：NASA/JPLCaltech）；右图：2014年1月9日，HiRISE拍摄的火星撞击坑
图像（资料来源：NASA/JPLCaltech/UA）
机器学习是一门广泛涉及方法、模型、学习类型及机器行为的学科。行星科学中，机器学习可通过揭示人类难以分析的大型复杂数据集中感兴趣的模式或特征，通过激发基于数据结构和模式的新假设或自动完成繁杂或耗时的任务等多种方式，促进科学发现与分析。本书的目标是在机器学习和行星科学领域之间建造一座桥梁，使行星科学领域能够应用更多的机器学习方法，同时也可提高机器学习领域使用行星科学数据的效率。本书第一部分将介绍机器学习的基础知识、机器学习应用于行星科学数据集的特点、使用机器学习模型的规则以及当读者需要更深入地理解机器学习方法时所需的资源。第二部分将介绍行星科学领域面临的数据类型及挑战。第三部分将介绍机器学习应用准备及访问行星科学数据集的教程。最后一部分则将引入几个案例，详细介绍如何在各种行星科学应用和数据类型中实现机器学习。
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
