Text

Data science for wind energy

---

Ilmu Data untuk Energi Angin menyediakan diskusi mendalam tentang bagaimana metode ilmu data dapat meningkatkan pengambilan keputusan untuk aplikasi energi angin, analisis dan prakiraan medan angin dekat permukaan tanah, pemasangan kurva daya turbin dan analisis kinerja, penilaian keandalan turbin, dan pengoptimalan pemeliharaan untuk turbin angin dan ladang angin. Seperangkat metode ilmu data yang luas dibahas, termasuk model deret waktu, analisis spasiotemporal, regresi kernel, pohon keputusan, kNN (k-Nearest Neighbors), splines, inferensi Bayesian, dan pengambilan sampel penting. Yang lebih penting, metode ilmu data dijelaskan dalam konteks aplikasi energi angin, dengan contoh energi angin dan studi kasus tertentu. Silakan juga kunjungi situs buku penulis di https://aml.engr.tamu.edu/book-dswe. Fitur • Memberikan pembahasan integral tentang metode ilmu data dan aplikasi energi angin • Meliputi demonstrasi khusus tentang metode ilmu data tertentu dan penggunaannya dalam konteks penanganan kebutuhan energi angin • Menyajikan data nyata, studi kasus, dan kode komputer dari penelitian energi angin dan praktik industri • Meliputi materi berdasarkan lebih dari sepuluh tahun penelitian dan wawasan akademis penulis. ;;; kNN atau k-Nearest Neighbors adalah algoritma pembelajaran mesin yang digunakan untuk melakukan klasifikasi dan regresi berdasarkan kedekatan data. Bagaimana kNN Bekerja? Dalam kNN, setiap data baru akan diklasifikasikan atau diprediksi berdasarkan seberapa mirip atau dekatnya data tersebut dengan data yang sudah ada. Algoritma ini bekerja dengan mencari sejumlah data tetangga terdekat (disebut sebagai "k" tetangga) dari data yang akan diklasifikasikan. "k" adalah parameter yang bisa disesuaikan, dan biasanya dipilih secara eksperimental. Langkah-Langkah Klasifikasi dengan kNN 1. Tentukan nilai k, misalnya 3, 5, atau 7. 2. Hitung jarak antara data yang akan diklasifikasikan dengan seluruh data di dataset. Jarak biasanya dihitung menggunakan metode seperti Euclidean atau Manhattan distance. 3. Pilih k tetangga terdekat berdasarkan jarak tersebut. 4. Prediksi kelas dari data baru tersebut berdasarkan kelas mayoritas dari k tetangga terdekatnya (untuk klasifikasi) atau mengambil rata-rata nilainya (untuk regresi). Kelebihan dan Kekurangan kNN • Kelebihan: Mudah dipahami dan diimplementasikan, tidak memerlukan pelatihan model (karena ini adalah algoritma lazy learning). • Kekurangan: Memerlukan banyak memori karena harus menyimpan seluruh dataset; dapat menjadi lambat ketika dataset sangat besar, terutama jika nilai k yang dipilih cukup besar. kNN sering digunakan dalam kasus pengenalan pola, klasifikasi gambar, dan analisis data berbasis jarak.

---

Availability

No copy data

Detail Information

Series Title

-

Call Number

006.3 DIN d

Publisher

New York, USA : CRC Press, Taylor & Francis Group., 2019

Collation

1 online resource (Pages 424)

Language

English

ISBN/ISSN

9780429490972

Classification

006.3

Content Type

text

Media Type

computer

Carrier Type

online resource

Edition

-

Subject(s)

Kecerdasan Buatan

Specific Detail Info

-

Statement of Responsibility

Yu Ding

Other Information

Cataloger

erwin

Source

https://www.taylorfrancis.com/books/9780429490972

Validator

erwin

Digital Object Identifier (DOI)

https://doi.org/10.1201/9780429490972

Journal Volume

-

Journal Issue

-

Subtitle

-

Parallel Title

-

Other version/related

File Attachment

Comments

---

You must be logged in to post a comment