علم داده برای مهندس‌ها

بینایی ماشین (CV)، حوزه‌ای از هوش مصنوعی است که به رایانه‌ها امکان استخراج، تحلیل و درک اطلاعات از تصاویر و ویدئوهای رقمی را می‌دهد. در مهندسی زلزله، به‌طور فزاینده‌ای برای تشخیص خودکار ترک، ارزیابی خسارت پس از زلزله و شناسایی اجزای سازه‌ای به کار می‌رود.

یادگیری عمیق، زیرحوزه‌ای از یادگیری ماشین است که از شبکه‌های عصبی مصنوعی با لایه‌های متعدد (شبکه‌های عمیق) برای یادگیری بازنمایی‌های سلسله‌مراتبی داده استفاده می‌کند. این حوزه پیشرفت‌های چشمگیری در بینایی ماشین، پردازش زبان طبیعی و به‌طور فزاینده در کاربردهای مهندسی زلزله نظیر تشخیص آسیب و مدل‌سازی جانشین ایجاد کرده است.

جنگل تصادفی (RF) یک روش یادگیری ماشین گروهی است که بسیاری از درخت‌های تصمیم را می‌سازد، هرکدام بر روی زیرمجموعه‌ای تصادفی از داده‌ها و ویژگی‌ها آموزش می‌بیند، و پیش‌بینی‌های آن‌ها را از طریق رای‌گیری اکثریت (طبقه‌بندی) یا میانگین‌گیری (رگرسیون) ترکیب می‌کند. این روش به‌طور گسترده در مهندسی زلزله برای تحلیل شکنندگی، طبقه‌بندی خسارت و مدل‌سازی جانشین استفاده می‌شود.

شپ (توضیح‌پذیری افزودنی شپلی) یک روش نظریه بازی برای توضیح پیش‌بینی‌های مدل یادگیری ماشین است که به هر ویژگی ورودی یک مقدار اهمیت برای یک پیش‌بینی مشخص اختصاص می‌دهد. این روش هم اهمیت ویژگی کلی و هم توضیحات محلی (به ازای هر نمونه) فراهم می‌آورد و مدل‌های پیچیده مانند جنگل تصادفی را در کاربردهای مهندسی تفسیرپذیر می‌سازد.