地质领域机器学习、深度学习及实现语言

被引：149

作者：

周永章 ^{[1
,2
,3
]}

王俊 ^{[1
,2
,3
]}

左仁广 ^{[4
]}

肖凡 ^{[1
,2
,3
]}

沈文杰 ^{[1
,2
,3
]}

王树功 ^{[1
,2
,3
]}

机构：

[1] 广东省地质过程与矿产资源探查重点实验室

[2] 中山大学地球环境与地球资源研究中心

[3] 中山大学地球科学与工程学院

[4] 中国地质大学

来源：

岩石学报 | 2018年 / 34卷 / 11期

基金：

国家重点研发计划;

关键词：

地质大数据; 机器学习; 深度学习; 人工神经网络; 智能地质学; Python;

D O I：

暂无

中图分类号：

P628 [数学勘探]; TP181 [自动推理、机器学习];

学科分类号：

071208 [科技遗产与数字人文]; 140502 [人工智能];

摘要：

地质大数据正在以指数形式增长。只有发展智能数据处理方法才有可能追上大数据的超常增长。机器学习是人工智能的核心,是使计算机具有智能的根本途径。机器学习已成为地质大数据研究的前沿热点,它将让地质大数据插上翅膀,并因此改变地质。机器学习是一个源于数据的模型的训练过程,最终给出一个面向某种性能度量的决策。深度学习是机器学习研究中的一个重要子类,它通过构建具有很多隐层的机器学习模型和海量的训练数据,来学习更有用的特征,从而最终提升分类或预测的准确性。卷积神经网络算法是最为常用的一种深度学习算法之一,它广泛用于图像识别和语音分析等。Python语言在科学领域的地位占据着越来越重要。其下的Scikit-Learn是一个机器学习相关的库,提供有数据预处理、分类、回归、聚类、预测、模型分析等算法。Keras是一个基于Theano/Tensorflow的深度学习库,可以应用来搭建简洁的人工神经网络。

引用

页码：3173 / 3178

页数：6

共 13 条

[1]

Deep learning for logo recognition.[J].Simone Bianco;Marco Buzzelli;Davide Mazzini;Raimondo Schettini.Neurocomputing.2017,

[2]

Human-level concept learning through probabilistic program induction [J].

Lake, Brenden M. ;

Salakhutdinov, Ruslan ;

Tenenbaum, Joshua B. .

SCIENCE, 2015, 350 (6266) :1332-1338

[3]

Random forest predictive modeling of mineral prospectivity with small number of prospects and data with missing values in Abra (Philippines).[J].Emmanuel John M. Carranza;Alice G. Laborte.Computers and Geosciences.2015,

[4]

Deep learning in neural networks: An overview.[J].Jürgen Schmidhuber.Neural Networks.2015,

[5]

A fast learning algorithm for deep belief nets [J].