機器學習
什么是機器學習？
機器學習是人工智能的一種應用，它基于這樣的概念：機器應該被賦予資料訪問權限并自己學習特定任務，而無需明確編程。機器學習利用從資料中學習和預測的計算系統。在處理大型資料集時，它特別有用，因為它可以檢測模式并預測（在某些情況下，推薦）結果。它從資料中學習和構建經驗的能力與確定性方法相反，后者需要用戶指令和人類知識庫。
機器學習與地球科學
范式SeisEarth中的民主神經網路協會
地球科學資料的機器學習應用已經使用了超過25年。隨著石油技術資料的大量增長，它們現在已成為一種實際需要。
在可用的計算系統中，受生物神經網路啟發的人工神經網路（ANN）是石油和天然氣行業最常采用的，用于處理不斷增加的地震和井資料量。人工神經網路計算是對適應性節點網路的研究，該網路學習基于資料暴露和經驗執行任務，通常不用任何特定于任務的規則編程。它們旨在以與人類大腦類似的方式對資訊進行分類。例如，他們可以被教導識別影像并根據它們的不同元素對它們進行分類。
艾默生是實施先進，成熟和可靠的機器學習解決方案的先驅。
我們的基于機器學習的技術能夠從大量不同型別的資料中描述地下。這允許用戶：
描述并解釋現有結果
預測會發生什么
為風險管理和決策提供建議
該策略允許將機器學習和預測分析應用于勘探，現場開發和生產優化。
機器學習方法可分為無監督學習和監督學習。
無監督學習
輸入資料未標記（軟資料）; 目標是找到資料點中的相似性，以便將類似的資料點組合在一起。通過推導輸入資料中存在的結構來準備模型。可以通過數學程序來系統地減少冗余，或者通過相似性來組織資料。一些演算法包括聚類，降維和關聯規則學習。
艾默生無監督機器學習的例子
自組織映射（SOM） 高斯程序
K-means聚類分析 反向傳播神經網路
升序層次聚類 自我成長的神經網路
動態聚類 主成分分析（PCA）
混合分類 基于圖形的多解析度聚類
監督學習
輸入資料具有已知標簽（硬資料）。通過需要預測的訓練程序準備模型，并在這些預測錯誤時進行校正。訓練程序一直持續到模型達到訓練資料所需的準確度。問題包括分類和回歸。
艾默生監督機器學習的例子
神經網路“集合”或民主神經網路協會（DNNA） 卷積神經網路
深度學習
近年來，資料量和數量的激增，GPU的發展以及硬體價格的下降導致了對高級AI演算法的深入研究。已經出現了一種可以處理大資料的新型機器學習技術：深度學習。
深度學習是一類機器學習演算法：
使用級聯的多層非線性處理單元進行特征提取和轉換。每個連續層使用前一層的輸出作為輸入。
學習監督（例如，分類）和/或無監督（例如，模式分析）方式。
學習與不同抽象級別相對應的多個級別的表示。
艾默生使用機器學習的解決方案
首次采摘地震資料轉換濾波器（Echos ）
測井和地震多屬性分類（Geolog ， SeisFacies ）
巖石型別分類（SeisEarth ，QSI）
地震多屬性分類（SeisFacies ）
疊前地震資料解釋
地震相分類（Stratimagic ）
電相分類（Geolog Facimage）
神經網路地震反演（QSI）
不確定性分析和歷史匹配（RMS，Tempest ，SKUA-GOCAD ）
測井和地震資料聚類（SKUA-GOCAD）
資料減少（SeisFacies）
轉載請註明出處，本文鏈接：https://www.uj5u.com/shujuku/49919.html
標籤：其他數據庫
下一篇：vfp9報表問題（問題解決）