幫助中心 | 我的帳號 | 關於我們
進階搜尋
car

同類熱銷排行榜

最近瀏覽的商品

基於機器學習的材料設計(精)/材料基因工程叢書

  • 作者：陸文聰//李敏傑//紀曉波//盧天//張愛敏|責編:張淑曉//高微|總主編:張統一//謝建新
  • 出版社：科學
  • ISBN：9787030774248
  • 出版日期：2024/08/01
  • 裝幀：精裝
  • 頁數：279
人民幣：RMB 118 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書綜述了基於機器學習的材料設計的最新研究進展，介紹了材料機器學習演算法、開源軟體和自主研發的材料數據挖掘在線計算平台在合金材料、鈣鈦礦材料和太陽能電池材料設計上的成功應用案例。本書的特色是「機器學習演算法深入淺出，上機練習案例學以致用」，附錄中的計算平台和演算法代碼具有智能機器學習建模、虛擬材料的高通量篩選和需求驅動的材料逆向設計等功能，為機器學習加快新材料設計和優化提供了行之有效的工具。
    本書可作為材料設計方向的研究生課程參考書，也適合材料科學和工程領域的工作者參考閱讀。
作者介紹
陸文聰//李敏傑//紀曉波//盧天//張愛敏|責編:張淑曉//高微|總主編:張統一//謝建新
目錄
叢書序
前言
第1章  基於機器學習的材料設計綜述
  1.1  基於機器學習的材料設計研究背景
    1.1.1  材料機器學習與材料設計
    1.1.2  材料機器學習與材料信息學
    1.1.3  材料機器學習與材料基因組計劃
  1.2  基於機器學習的材料設計方法
    1.2.1  材料機器學習問題的數學表達
    1.2.2  材料機器學習的常用方法
    1.2.3  材料機器學習的基本流程
  1.3  基於機器學習的材料設計的應用軟體和開源工具
  1.4  基於機器學習的材料設計研究進展
  1.5  材料機器學習發展趨勢
    1.5.1  材料機器學習建模的關鍵特徵變數篩選
    1.5.2  機器學習模型的選擇和優化
    1.5.3  材料機器學習新技術的推廣應用
    1.5.4  材料機器學習應用軟體的開發
    1.5.5  機器學習模型與第一性原理模型結合加快新材料研發
    1.5.6  材料智能製造
    1.5.7  基於機器學習的材料設計願景
  參考文獻
第2章  機器學習方法
  2.1  回歸分析
    2.1.1  一元線性回歸
    2.1.2  多元線性回歸
    2.1.3  嶺回歸
    2.1.4  套索演算法
    2.1.5  偏最小二乘回歸
    2.1.6  邏輯回歸
  2.2  統計模式識別
    2.2.1  最近鄰法
    2.2.2  主成分分析
    2.2.3  多重判別矢量和費希爾判別矢量
    2.2.4  非線性映射
    2.2.5  模式識別應用技術
  2.3  決策樹及其衍生方法
    2.3.1  決策樹
    2.3.2  隨機決策樹
    2.3.3  隨機森林
    2.3.4  梯度提升決策樹
    2.3.5  極限梯度提升演算法
    2.3.6  快速梯度提升演算法
  2.4  集成學習方法
    2.4.1  Boosting演算法
    2.4.2  AdaBoost演算法
    2.4.3  Bagging演算法
  2.5  聚類方法
    2.5.1  K均值聚類方法
    2.5.2  雜訊密度聚類方法

    2.5.3  評估指標
  2.6  人工神經網路方法
    2.6.1  反向傳播人工神經網路
    2.6.2  Kohonen自組織網路
    2.6.3  深度學習網路
  2.7  支持向量機方法
    2.7.1  統計學習理論簡介
    2.7.2  支持向量分類演算法
    2.7.3  支持向量機的核函數
    2.7.4  支持向量回歸演算法
    2.7.5  支持向量機分類與回歸演算法的實現
    2.7.6  應用前景
  2.8  高斯過程回歸
  2.9  遺傳演算法和遺傳回歸
    2.9.1  遺傳演算法
    2.9.2  遺傳回歸
  參考文獻
第3章  特徵篩選和超參數優化方法
  3.1  特徵變數篩選方法
    3.1.1  過濾式
    3.1.2  封裝式
    3.1.3  嵌入式
  3.2  超參數優化方法
    3.2.1  網格搜索
    3.2.2  遺傳演算法
    3.2.3  模型序貫優化方法
  3.3  小結
  參考文獻
第4章  基於機器學習的合金材料設計
  4.1  基於機器學習的合金材料設計概論
  4.2  基於機器學習的高熵合金材料設計
    4.2.1  演算法選擇
    4.2.2  特徵工程
    4.2.3  模型構建
    4.2.4  逆向設計
    4.2.5  高通量篩選
    4.2.6  實驗驗證
    4.2.7  模型解釋
    4.2.8  特徵外推
  4.3  基於機器學習的低熔點合金材料設計
    4.3.1  數據收集和特徵構建
    4.3.2  模型構建
    4.3.3  低熔點合金設計
    4.3.4  實驗驗證
    4.3.5  特徵分析
  4.4  基於機器學習的金合金材料設計
    4.4.1  數據收集和特徵變數
    4.4.2  特徵篩選及模型研究
    4.4.3  特徵分析
    4.4.4  正向篩選和逆向驗證

    4.4.5  在線預測
  4.5  小結
  參考文獻
第5章  基於機器學習的鈣鈦礦材料設計
  5.1  基於機器學習的鈣鈦礦材料設計概論
  5.2  基於機器學習的鈣鈦礦材料形成規律
    5.2.1  數據收集
    5.2.2  特徵工程
    5.2.3  模型研究
    5.2.4  模型遷移
    5.2.5  模型應用
    5.2.6  二維敏感性分析
  5.3  基於機器學習的鈣鈦礦催化活性設計
    5.3.1  數據收集
    5.3.2  特徵分析及篩選
    5.3.3  模型初建
    5.3.4  模型優化及評估
    5.3.5  在線預報及虛擬篩選
    5.3.6  產氫速率模型研究
    5.3.7  統計分析
  5.4  基於機器學習的有機-無機雜化鈣鈦礦材料設計
    5.4.1  基於模擬樣本的HOIPs材料形成性設計
    5.4.2  基於實驗樣本的HOIPs材料形成性設計
    5.4.3  基於實驗樣本的HOIPs材料帶隙設計
  5.5  小結
  參考文獻
第6章  基於機器學習的太陽能電池有機小分子設計
  6.1  基於機器學習的太陽能電池材料設計概論
    6.1.1  有機太陽能電池給體/受體對分子設計
    6.1.2  染料敏化太陽能電池敏化劑分子設計
  6.2  基於機器學習的有機太陽能電池D/A對分子設計
    6.2.1  特徵工程
    6.2.2  模型構建
    6.2.3  模型穩定性和泛化能力評估
    6.2.4  模型應用
    6.2.5  模型解釋
    6.2.6  量化驗證
  6.3  基於機器學習的染料敏化太陽能電池BODIPY類分子設計
    6.3.1  QSPR模型和在線預報
    6.3.2  水平模型分析
    6.3.3  垂直模型分析
    6.3.4  潛在染料設計和PCE預測
    6.3.5  量化評估
  6.4  小結
  參考文獻
附錄1  材料數據挖掘在線計算平台主要功能和示範應用
  附錄1.1  材料數據挖掘在線計算平台技術簡介
  附錄1.2  材料數據挖掘在線計算平台功能介紹
  附錄1.3  材料數據挖掘在線計算平台應用案例
  小結

附錄2  機器學習代碼示例
  附錄2.1  機器學習環境安裝
    附錄2.1.1  Python環境安裝
    附錄2.1.2  機器學習環境配置
  附錄2.2  多元回歸分析方法
  附錄2.3  統計模式識別方法
  附錄2.4  決策樹與基於決策樹的集成學習演算法
    附錄2.4.1  決策樹以及隨機決策樹
    附錄2.4.2  基於決策樹的集成學習演算法
    附錄2.4.3  基於樹模型的特徵重要性
  附錄2.5  聚類方法
  附錄2.6  人工神經網路與深度學習網路
    附錄2.6.1  人工神經網路
    附錄2.6.2  深度人工神經網路
    附錄2.6.3  卷積神經網路
  附錄2.7  支持向量機
  附錄2.8  集成學習
  附錄2.9  特徵選擇
    附錄2.9.1  遺傳演算法
    附錄2.9.2  SHAP方法
  附錄2.10  超參數優化方法
    附錄2.10.1  網格搜索方法
    附錄2.10.2  HyperOpt方法

  • 商品搜索：
  • | 高級搜索
首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032