地学大数据文献
地球科学中的大数据和人工智能分析：前景和潜力
Big Data and Artificial Intelligence Analytics in Geosciences: Promises and Potential
通过在服务器主机的典型设备中添加 GPU 处理资源，可以加快对大型数据库的查询速度并减少深度学习架构的训练时间。
最近应用于新旧数据的大数据技术和人工智能技术的结合使一组科学家能够创建一个交互式虚拟地球仪，显示海底地质的彩色马赛克图。
这种交互式模型可以使我们对气候变化及其对海洋环境的影响进行可靠的重建和预测。我们建议通过扩展功能和改进性能来对这种模型进行可能的演变。
我们分别参考了海底岩性等时层的实现和 GPU 资源的增加来加速支持向量机（SVM）模型的学习阶段。这些附加特征将使我们能够建立更广泛的相关性并提取有关大规模地质现象的附加信息。
?> 可以利用 SVM 做不少分类型的问题，GPU 和 CPU 混合利用（算力提升）
个人感觉这篇其实就是说了一下我们的可以利用大数据来研究建模，貌似作者对算力的了解不大，提到了 CPU 和 GPU（是一些基础的计算机知识，和绘图的技术性问题不大相关）。
但是，大数据作为工作来辅助复杂系统的地学，显然是有力的工具。
SVM 支持向量网络
支持向量网络是一种用于两组分类问题的新型学习机。
该机器在概念上实现了以下想法：输入向量非线性映射到非常高维的特征空间。 在这个特征空间中，构建了一个线性决策面。决策面的特殊属性保证了学习机的高泛化能力。
支持向量网络背后的想法之前是针对训练数据可以无误地分离的受限情况实施的。我们在这里将此结果扩展到不可分离的训练数据。
证明了利用多项式输入变换的支持向量网络的高泛化能力。我们还将支持向量网络的性能与所有参与光学字符识别基准研究的各种经典学习算法进行了比较。
?> 支持向量机的英文出版（最早为俄语），SVM 的基础
Dupal 异常的分类初步想法就是利用 SVM 对高维的比值数据进行分类尝试。