新書推薦：
《
滞后情书
》
售價：HK$
47.1
《
日本新中产阶级：东京近郊的工薪职员及他们的家庭（看日本系列）
》
售價：HK$
96.8
《
北派2：西夏梵音（网络原名《北派盗墓笔记》）
》
售價：HK$
52.8
《
当代中国经济讲义
》
售價：HK$
151.8
《
日本第一：对美国的启示（看日本系列）
》
售價：HK$
61.6
《
砂与海之歌纪念画集
》
售價：HK$
107.8
《
大学问·月照崇徽：章献刘后与宋真仁之际政治
》
售價：HK$
107.8
《
中国近代外交官群体的形成（1861—1911）修订版
》
售價：HK$
107.8
|
| 內容簡介： |
|
材料信息学是一门新兴的交叉学科，为在材料基因组和人工智能+材料理念下加速材料科学研究和工程技术发展提供了一个全新的方法。作为材料和力学学者，作者在推动材料信息学发展方面做了大量工作，在人工智能（AI）、机器学习（ML）和材料科学技术融合交叉方面，有诸多的尝试和心得体会。作者旨在写一套易懂的材料信息学简介书，以进一步推动材料信息学的发展。为便于读者尽快理解和掌握材料信息学的核心内容，兼顾内容的完整性，作者撰写完成了两部：《材料信息学导论: 机器学习基础》为**部，侧重于机器学习基础；第二部讲解高等机器学习。 《材料信息学导论: 机器学习基础》共十二章，内容包括线性回归与线性分类、支持向量机、决策树和K近邻（KNN）、集成学习、贝叶斯定理和期望最大化算法、符号回归、神经网络、隐马尔可夫链、数据预处理与特征选择、可解释性的SHAP值和部分依赖图。《材料信息学导论: 机器学习基础》叙述力求从简单明了的数学定义和物理图像出发，密切结合材料科学研究案例，给出了各种算法的详细步骤，便于读者学习和运用。
|
| 目錄：
|
|
目录丛书序前言英文版前言符号表第1章 绪论 1参考文献 9第2章 线性回归 112.1 *小二乘法 112.2 主成分分析与主成分回归 212.3 *小绝对值收敛和选择算子（L1） 302.4 岭回归（L2） 332.5 弹性网络回归 372.6 多任务LASSO 40作业 43参考文献 44第3章 线性分类 463.1 感知机 483.2 逻辑斯谛回归 513.3 线性判别分析 63作业 69参考文献 71第4章 支持向量机 724.1 支持向量分类 724.2 核函数 774.3 软间隔 844.4 支持向量回归 89作业 95参考文献 97第5章 决策树和K近邻 995.1 分类树 995.2 回归树 1075.3 K*近邻方法 114作业 118参考文献 119第6章 集成学习 1206.1 Boosting方法 1216.1.1 AdaBoost分类 1216.1.2 AdaBoost回归和梯度提升器 1286.1.3 损失函数的二阶展开提升学习（SOB） 1326.1.4 极限梯度提升器（XGBoost） 1336.2 装袋法 135作业 139参考文献 140第7章 贝叶斯定理和期望最大化算法 1427.1 贝叶斯定理 1427.2 朴素贝叶斯分类器 1437.3 最大似然估计 1497.3.1 高斯分布 1497.3.2 韦布尔分布 1517.4 贝叶斯线性回归 1557.5 期望最大化算法 1637.5.1 高斯混合模型 1637.5.2 洛伦兹分布与高斯分布的混合分布 1757.6 高斯过程回归 185作业 193参考文献 194第8章 符号回归 1958.1 进化计算综述 1958.2 遗传编程 1968.3 语法引导的遗传编程和语法进化 1998.4 LASSO在符号回归中的应用 206作业 207参考文献 207第9章 神经网络 2099.1 神经网络和感知机 2099.2 反向传播算法 2119.3 神经网络中的正则化 2199.3.1 L1正则化 2199.3.2 L2正则化 2269.4 神经网络分类 2309.4.1 二分类问题 2309.4.2 单类别下多等级分类问题 2369.5 自编码器 2409.5.1 引言 2409.5.2 去噪自编码器 2419.5.3 稀疏自编码器 2489.5.4 变分自编码器 255作业 277参考文献 278第10章 隐马尔可夫链 27910.1 马尔可夫链 27910.2 静态马尔可夫链 28210.3 马尔可夫链蒙特卡罗方法 28310.3.1 Metropolis Hastings（M-H）算法 28510.3.2 吉布斯抽样算法 28610.4 观测序列概率的计算方法 28910.4.1 直接法 28910.4.2 正向法 29110.4.3 反向法 29310.5 *优状态序列评估 29510.5.1 直接法 29510.5.2 维特比算法 29610.6 本征参数评估—鲍姆-韦尔奇算法 297作业 307参考文献 308第11章 数据预处理与特征选择 31011.1 可靠数据、正常数据、异常数据检测 31011.1.1 局部离群因子 31111.1.2 孤立森林 31411.1.3 单类支持向量机 31711.1.4 支持向量数据描述 32211.2 特征选择 32611.2.1 过滤式方法 32611.2.2 包裹式选择 35111.2.3 嵌入式特征重要性评估 358作业 362参考文献 363第12章 可解释性的SHAP值和部分依赖图 36512.1 SHAP值 36512.2 两个特征的联合SHAP值 37912.3 部分依赖图（PDP） 38112.3.1 单特征部分依赖图 38112.3.2 双特征及多特征部分依赖图 385作业 392参考文献 393附录1 向量和矩阵 394A1.1 定义 394A1.1.1 向量 394A1.1.2 矩阵 394A1.2 矩阵代数 394A1.2.1 逆和转置 394A1.2.2 迹 395A1.2.3 行列式 395A1.2.4 特征值和特征向量 396A1.2.5 奇异值分解 396A1.2.6 伪逆 396A1.2.7 一些常用的恒等式 397A1.3 矩阵分析 397A1.3.1 矩阵的导数 397A1.3.2 行列式的导数 398A1.3.3 逆矩阵的导数 398A1.3.4 雅可比矩阵和黑塞矩阵 398A1.3.5 链式法则 399参考文献 399附录2 统计学基础 400A2.1 概率 400A2.1.1 联合概率 400A2.1.2 贝叶斯定理 400A2.1.3 连续变量的概率密度 400A2.1.4 分位数函数 401A2.1.5 随机变量的期望、方差和协方差 401A2.2 分布 401A2.2.1 伯努利分布 401A2.2.2 二项分布 401A2.2.3 泊松分布 402A2.2.4 高斯分布 402A2.2.5 韦布尔分布 402A2.2.6 卡方（X2）分布和卡方（X2）检验 403A2.2.7 学生t分布和t检验 403参考文献 403索引 404
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
