行星科学的机器学习_【德】乔恩·赫尔伯特（Joern Helbert）_9787515923086

《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。

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。

你还可能感兴趣

我要评论