بحران آب و کم آبی ، یکی از مشکلات اخیر بسیاری از کشوها است . تعیین مصارف نهایی آب در املاک مسکونی می تواند رویکرد مناسب تری در مدیریت تقاضا داشته باشد . این نوع اطلاعات ، به مردم ، دولت و کسب و کارها کمک می کند تا استراتژی های مدیریت تقاضا و تعامل با مشتری را مقرون به صرفه تر و هدفمندتر اجرا کنند . آنالیز همه شرایط و گزینه های موجود قبل از اتخاذ تصمیم عملیاتی ، در رابطه با مدیریت منابع آب شهری با توجه به کمبود آب ، اقدامی ضروری است .
عدم قطعیت در مورد جریان های ورودی به سیستم چالش بر انگیز است و با عدم قطعیت روبرو است . از رایج ترین رویکردها برای تبیین این عدم قطعیت ، ترکیب استفاده از نظریه تصمیم‌گیری بیزین با روش بهینه سازی برنامه نویسی پویا است . با این وجود ، برنامه نویسی پویا با پیچیدگی های زیادی روبرو است . همچنین ، استفاده از آمار کلاسیک به طور دقیق جریان های ورودی را نشان نمی دهد .
با ظهور یادگیری ماشین و هوش مصنوعی ، بسیاری از صنایع دچار تغییر شدند . با استفاده از روش های یادگیری ماشین و هوش مصنوعی ، می توان به بهینه سازی در مهندسی آب شهری دست یافت . وبینار تخصصی مقدمه ای بر یادگیری ماشین برای کاربردهای مهندسی آب شهری که با حضور سیدامیرهوشنگ آیتی دکترای مهندسی عمران، دانشگاه شهید چمران اهواز، دانشکده عمران و معماری برگزار شد .
محورهای وبینار مقدمه ای بر یادگیری ماشین برای کاربردهای مهندسی آب شهری :
یادگیری ماشین چیست؟ چرا یادگیری ماشین؟ تعاریف پایه ، مسائل استاندارد در یادگیری ماشین ، مراحل یک مساله یادگیری ماشین ، تعمیم پذیری و بیش برازش ، Bias-Variance Trade-off ، الگوریتم ها شناخته شده در یادگیری ماشین ، پلتفرم ها و زبان‌های برنامه نویسی ، یادگیری ماشین در MATLAB ، یادگیری ماشین در Python ، آخرین کارهای تحقیقاتی در حوزه نشت‌یابی به روش ML/TB
در ادامه ، می توانید وبینار مقدمه ای بر یادگیری ماشین برای کاربردهای مهندسی آب شهری را ملاحظه کنید .
منابع:
Rozos E. Machine Learning, Urban Water Resources Management and Operating Policy. Resources. 2019; 8(4):173. https://doi.org/10.3390/resources8040173
Nguyen, K., Stewart, R., Zhang, H., Giurco, D., Blumenstein, M., & Rahim, S. (2020). Next generation machine learning for urban water management. Water eJ, 5, 1-7.