消息首页搜索举报

基于机器学的材料设计人工智能陆文聪新华正版

82.59 7.0折 118 全新

库存19件

河北保定

认证卖家担保交易快速发货售后保障

作者陆文聪

出版社科学出版社

ISBN9787030774248

出版时间2024-08

版次1

装帧平装

开本16

页数298页

定价118元

货号xhwx_1203365484

上书时间2024-09-01

浩子书屋

八年老店

已实名已认证进店收藏店铺

在售商品暂无
平均发货时间 14小时
好评率暂无

最新上架

图解中学物理+化学6册初中常备综合本牛顿出版社编《科学世界》杂志社译新华正版 ¥346.09

act这么简单+dbt这么简单2册心理学 (澳)路斯·哈里斯新华正版 ¥117.09

大人工智能素养大中专公共计算机杨俊杰刘勇张立敏陈永恒卢利琼闵笛张子石王润涛编新华正版 ¥45.60

adobe animate mg动画+ui动效设计实践教程大中专公共计算机程磊、廖丹、董雪新华正版 ¥45.60

智能装备体系建模技术及应用机械工程朱智新华正版 ¥61.54

2022中国城市地下空间发展蓝皮书建筑设计院战略咨询中心,岩石力学与工程学会地下空间分会,中国城市规划学会新华正版 ¥82.59

新能源材料合成与制备大中专理科科技综合杨茂萍于婷婷张峥新华正版 ¥45.00

飞机与构造大中专高职科技综合王俊高程楠新华正版 ¥43.10

汽车试验学大中专理科交通许兆棠新华正版 ¥45.80

商品详情

品相描述：全新: 正版特价新书

商品描述: 目录：

目录
丛书序
前言
章基于机器学的材料设计综述 1
1.1 基于机器学的材料设计研究背景 1
1.1.1 材料机器学与材料设计 3
1.1.2 材料机器学与材料信息学 4
1.1.3 材料机器学与材料基因组计划 6
1.2 基于机器学的材料设计方法 8
1.2.1 材料机器学问题的数学表达 8
1.2.2 材料机器学的常用方法 9
1.2.3 材料机器学的基本流程 12
1.3 基于机器学的材料设计的应用软件和开源工具 16
1.4 基于机器学的材料设计研究进展 18
1.5 材料机器学发展趋势 23
1.5.1 材料机器学建模的关键特征变量筛选 23
1.5.2 机器学模型的选择和优化 24
1.5.3 材料机器学新技术的推广应用 24
1.5.4 材料机器学应用软件的开发 24
1.5.5 机器学模型与模型结合加快新材料研发 25
1.5.6 材料智能制造 25
1.5.7 基于机器学的材料设计愿景 25
参文献 27
第2章机器学方法 31
2.1 回归分析 31
2.1.1 一元线回归 31
2.1.2 多元线回归 33
2.1.3 岭回归 35
2.1.4 套索算法 36
2.1.5 偏小二乘回归 37
2.1.6 逻辑回归 39
2.2 统计模式识别 41
2.2.1 近邻法 43
2.2.2 主成分分析 44
2.2.3 多重判别矢量和费希尔判别矢量 46
2.2.4 非线映 49
2.2.5 模式识别应用技术 50
2.3 决策树及其衍生方法 54
2.3.1 决策树 56
2.3.2 决策树 57
2.3.3 森林 58
2.3.4 梯度提升决策树 59
2.3.5 极限梯度提升算法 61
2.3.6 快速梯度提升算法 64
2.4 集成学方法 65
2.4.1 boosting算法 67
2.4.2 adaboost算法 68
2.4.3 bagging算法 70
2.5 聚类方法 71
2.5.1 k均值聚类方法 71
2.5.2 噪声密度聚类方法 72
2.5.3 评估指标 73
2.6 人工神经网络方法 75
2.6.1 反向传播人工神经网络 75
2.6.2 kohonen自组织网络 77
2.6.3 深度学网络 79
2.7 支持向量机方法 81
2.7.1 统计学理论简介 82
2.7.2 支持向量分类算法 83
2.7.3 支持向量机的核函数 85
2.7.4 支持向量回归算法 86
2.7.5 支持向量机分类与回归算法的实现 88
2.7.6 应用前景 88
2.8 高斯过程回归 89
2.9 遗传算法和遗传回归 91
2.9.1 遗传算法 91
2.9.2 遗传回归 93
参文献 96
第3章特征筛选和超参数优化方法 101
3.1 特征变量筛选方法 101
3.1.1 过滤式 102
3.1.2 封装式 106
3.1.3 嵌入式 108
3.2 超参数优化方法 109
3.2.1 网格搜索 109
3.2.2 遗传算法 110
3.2.3 模型序贯优化方法 111
3.3 小结 112
参文献 112
第4章基于机器学的合金材料设计 114
4.1 基于机器学的合金材料设计概论 114
4.2 基于机器学的高熵合金材料设计 114
4.2.1 算法选择 116
4.2.2 特征工程 116
4.2.3 模型构建 118
4.2.4 逆向设计 119
4.2.5 高通量筛选 120
4.2.6 实验验证 121
4.2.7 模型解释 121
4.2.8 特征外推 123
4.3 基于机器学的低熔点合金材料设计 123
4.3.1 数据收集和特征构建 125
4.3.2 模型构建 126
4.3.3 低熔点合金设计 130
4.3.4 实验验证 131
4.3.5 特征分析 131
4.4 基于机器学的金合金材料设计 132
4.4.1 数据收集和特征变量 133
4.4.2 特征筛选及模型研究 134
4.4.3 特征分析 137
4.4.4 正向筛选和逆向验证 137
4.4.5 在线预测 139
4.5 小结 140
参文献 141
第5章基于机器学的钙钛矿材料设计 146
5.1 基于机器学的钙钛矿材料设计概论 146
5.2 基于机器学的钙钛矿材料形成规律 146
5.2.1 数据收集 148
5.2.2 特征工程 148
5.2.3 模型研究 149
5.2.4 模型迁移 150
5.2.5 模型应用 150
5.2.6 二维敏感分析 151
5.3 基于机器学的钙钛矿催化活设计 152
5.3.1 数据收集 153
5.3.2 特征分析及筛选 153
5.3.3 模型初建 154
5.3.4 模型优化及评估 154
5.3.5 在线预报及虚拟筛选 157
5.3.6 产氢速率模型研究 161
5.3.7 统计分析 162
5.4 基于机器学的有机-无机杂化钙钛矿材料设计 164
5.4.1 基于模拟样本的hoi材料形成设计 165
5.4.2 基于实验样本的hoi材料形成设计 168
5.4.3 基于实验样本的hoi材料带隙设计 177
5.5 小结 188
参文献 188
第6章基于机器学的太阳能电池有机小分子设计 193
6.1 基于机器学的太阳能电池材料设计概论 193
6.1.1 有机太阳能电池给体/受体对分子设计 193
6.1.2 染料敏化太阳能电池敏化剂分子设计 194
6.2 基于机器学的有机太阳能电池d/a对分子设计 194
6.2.1 特征工程 195
6.2.2 模型构建 196
6.2.3 模型稳定和泛化能力评估 198
6.2.4 模型应用 198
6.2.5 模型解释 199
6.2.6 量化验证 201
6.3 基于机器学的染料敏化太阳能电池bodipy类分子设计 205
6.3.1 qspr模型和在线预报 205
6.3.2 水模型分析 206
6.3.3 垂直模型分析 210
6.3.4 潜在染料设计和pce预测 211
6.3.5 量化评估 213
6.4 小结 217
参文献 218
附录1 材料数据挖掘在线计算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台技术简介 221
附录1.2 材料数据挖掘在线计算台功能介绍 223
附录1.3 材料数据挖掘在线计算台应用案例 225
小结 232
附录2 机器学代码示例 233
附录2.1 机器学环境安装 233
附录2.1.1 python环境安装 233
附录2.1.2 机器学环境配置 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算法 245
附录2.4.1 决策树以及决策树 245
附录2.4.2 基于决策树的集成学算法 248
附录2.4.3 基于树模型的特征重要 249
附录2.5 聚类方法 251
附录2.6 人工神经网络与深度学网络 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 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

内容简介：

本书综述了基于机器学的材料设计的新研究进展，介绍了材料机器学算法、开源软件和自主研发的材料数据挖掘在线计算台在合金材料、钙钛矿材料和太阳能电池材料设计上的成功应用案例。本书的特是“机器学算法深入浅出，上机练案例学以致用”，附录中的计算台和算法代码具有智能机器学建模、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，为机器学加快新材料设计和优化提供了行之有效的工具。