新書推薦：
《
信用之灾：暴力、钱荒、泡沫与英国金融革命
》
售價：NT$
551.0
《
变迁中的中国社会分层
》
售價：NT$
500.0
《
神话的终结：从开疆拓境到画地为牢的美国史（普利策奖获奖作品！从自由主义到特朗普主义，一部美国百年扩张主义的失控史）
》
售價：NT$
449.0
《
封神演义绘本1-5（套装全5册）
》
售價：NT$
893.0
《
独一无二的战争
》
售價：NT$
500.0
《
天京之围（谭伯牛代表作，看晚清大变局下湘军崛起的政治智慧）
》
售價：NT$
500.0
《
王朝的崩溃（揭秘17个朝代的毁灭时刻，一本书读懂五千年中华史的奥秘）
》
售價：NT$
398.0
《
劳动力市场中反垄断的缺席
》
售價：NT$
281.0
|
| 內容簡介： |
|
《基于机器学习的材料设计》综述了基于机器学习的材料设计的最新研究进展，介绍了材料机器学习算法、开源软件和自主研发的材料数据挖掘在线计算平台在合金材料、钙钛矿材料和太阳能电池材料设计上的成功应用案例。《基于机器学习的材料设计》的特色是“机器学习算法深入浅出，上机练习案例学以致用”，附录中的计算平台和算法代码具有智能机器学习建模、虚拟材料的高通量筛选和需求驱动的材料逆向设计等功能，为机器学习加快新材料设计和优化提供了行之有效的工具。
|
| 目錄：
|
|
目录丛书序前言第1章 基于机器学习的材料设计综述 11.1 基于机器学习的材料设计研究背景 11.1.1 材料机器学习与材料设计 31.1.2 材料机器学习与材料信息学 41.1.3 材料机器学习与材料基因组计划 61.2 基于机器学习的材料设计方法 81.2.1 材料机器学习问题的数学表达 81.2.2 材料机器学习的常用方法 91.2.3 材料机器学习的基本流程 121.3 基于机器学习的材料设计的应用软件和开源工具 161.4 基于机器学习的材料设计研究进展 181.5 材料机器学习发展趋势 231.5.1 材料机器学习建模的关键特征变量筛选 231.5.2 机器学习模型的选择和优化 241.5.3 材料机器学习新技术的推广应用 241.5.4 材料机器学习应用软件的开发 241.5.5 机器学习模型与**性原理模型结合加快新材料研发 251.5.6 材料智能制造 251.5.7 基于机器学习的材料设计愿景 25参考文献 27第2章 机器学习方法 312.1 回归分析 312.1.1 一元线性回归 312.1.2 多元线性回归 332.1.3 岭回归 352.1.4 套索算法 362.1.5 偏*小二乘回归 372.1.6 逻辑回归 392.2 统计模式识别 412.2.1 *近邻法 432.2.2 主成分分析 442.2.3 多重判别矢量和费希尔判别矢量 462.2.4 非线性映射 492.2.5 模式识别应用技术 502.3 决策树及其衍生方法 542.3.1 决策树 562.3.2 随机决策树 572.3.3 随机森林 582.3.4 梯度提升决策树 592.3.5 极限梯度提升算法 612.3.6 快速梯度提升算法 642.4 集成学习方法 652.4.1 Boosting算法 672.4.2 AdaBoost算法 682.4.3 Bagging算法 702.5 聚类方法 712.5.1 K均值聚类方法 712.5.2 噪声密度聚类方法 722.5.3 评估指标 732.6 人工神经网络方法 752.6.1 反向传播人工神经网络 752.6.2 Kohonen自组织网络 772.6.3 深度学习网络 792.7 支持向量机方法 812.7.1 统计学习理论简介 822.7.2 支持向量分类算法 832.7.3 支持向量机的核函数 852.7.4 支持向量回归算法 862.7.5 支持向量机分类与回归算法的实现 882.7.6 应用前景 882.8 高斯过程回归 892.9 遗传算法和遗传回归 912.9.1 遗传算法 912.9.2 遗传回归 93参考文献 96第3章 特征筛选和超参数优化方法 1013.1 特征变量筛选方法 1013.1.1 过滤式 1023.1.2 封装式 1063.1.3 嵌入式 1083.2 超参数优化方法 1093.2.1 网格搜索 1093.2.2 遗传算法 1103.2.3 模型序贯优化方法 1113.3 小结 112参考文献 112第4章 基于机器学习的合金材料设计 1144.1 基于机器学习的合金材料设计概论 1144.2 基于机器学习的高熵合金材料设计 1144.2.1 算法选择 1164.2.2 特征工程 1164.2.3 模型构建 1184.2.4 逆向设计 1194.2.5 高通量筛选 1204.2.6 实验验证 1214.2.7 模型解释 1214.2.8 特征外推 1234.3 基于机器学习的低熔点合金材料设计 1234.3.1 数据收集和特征构建 1254.3.2 模型构建 1264.3.3 低熔点合金设计 1304.3.4 实验验证 1314.3.5 特征分析 1314.4 基于机器学习的金合金材料设计 1324.4.1 数据收集和特征变量 1334.4.2 特征筛选及模型研究 1344.4.3 特征分析 1374.4.4 正向筛选和逆向验证 1374.4.5 在线预测 1394.5 小结 140参考文献 141第5章 基于机器学习的钙钛矿材料设计 1465.1 基于机器学习的钙钛矿材料设计概论 1465.2 基于机器学习的钙钛矿材料形成规律 1465.2.1 数据收集 1485.2.2 特征工程 1485.2.3 模型研究 1495.2.4 模型迁移 1505.2.5 模型应用 1505.2.6 二维敏感性分析 1515.3 基于机器学习的钙钛矿催化活性设计 1525.3.1 数据收集 1535.3.2 特征分析及筛选 1535.3.3 模型初建 1545.3.4 模型优化及评估 1545.3.5 在线预报及虚拟筛选 1575.3.6 产氢速率模型研究 1615.3.7 统计分析 1625.4 基于机器学习的有机-无机杂化钙钛矿材料设计 1645.4.1 基于模拟样本的HOIPs材料形成性设计 1655.4.2 基于实验样本的HOIPs材料形成性设计 1685.4.3 基于实验样本的HOIPs材料带隙设计 1775.5 小结 188参考文献 188第6章 基于机器学习的太阳能电池有机小分子设计 1936.1 基于机器学习的太阳能电池材料设计概论 1936.1.1 有机太阳能电池给体/受体对分子设计 1936.1.2 染料敏化太阳能电池敏化剂分子设计 1946.2 基于机器学习的有机太阳能电池D/A对分子设计 1946.2.1 特征工程 1956.2.2 模型构建 1966.2.3 模型稳定性和泛化能力评估 1986.2.4 模型应用 1986.2.5 模型解释 1996.2.6 量化验证 2016.3 基于机器学习的染料敏化太阳能电池BODIPY类分子设计 2056.3.1 QSPR模型和在线预报 2056.3.2 水平模型分析 2066.3.3 垂直模型分析 2106.3.4 潜在染料设计和PCE预测 2116.3.5 量化评估 2136.4 小结 217参考文献 218附录1 材料数据挖掘在线计算平台主要功能和示范应用 221附录1.1 材料数据挖掘在线计算平台技术简介 221附录1.2 材料数据挖掘在线计算平台功能介绍 223附录1.3 材料数据挖掘在线计算平台应用案例 225小结 232附录2 机器学习代码示例 233附录2.1 机器学习环境安装 233附录2.1.1 Python环境安装 233附录2.1.2 机器学习环境配置 235附录2.2 多元回归分析方法 237附录2.3 统计模式识别方法 242附录2.4 决策树与基于决策树的集成学习算法 245附录2.4.1 决策树以及随机决策树 245附录2.4.2 基于决策树的集成学习算法 248附录2.4.3 基于树模型的特征重要性 249附录2.5 聚类方法 251附录2.6 人工神经网络与深度学习网络 253附录2.6.1 人工神经网络 253附录2.6.2 深度人工神经网络 254附录2.6.3 卷积神经网络 258附录2.7 支持向量机 261附录2.8 集成学习 265附录2.9 特征选择 266附录2.9.1 遗传算法 266附录2.9.2 SHAP方法 269附录2.10 超参数优化方法 275附录2.10.1 网格搜索方法 275附录2.10.2 HyperOpt方法 278
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 聯絡我們
| 運費計算
| 幫助中心 |
加入書簽
HOME
新書上架
