8 (905) 200-03-37 Владивосток
с 09:00 до 19:00

[材料信息学导论 机器学习基础 张统一 科学出版社9787030817624]

Цена: 2 868руб.    (¥135.72)
Артикул: 970545366169

Вес товара: ~0.7 кг. Указан усредненный вес, который может отличаться от фактического. Не включен в цену, оплачивается при получении.

Этот товар на Таобао Описание товара
Продавец:蓝墨水图书专营店
Рейтинг:
Всего отзывов:0
Положительных:0
Добавить в корзину
Другие товары этого продавца
¥103.62 190руб.
¥36.9780руб.
¥58.61 239руб.
¥ 39.6 35.1742руб.
  • Информация о товаре
  • Фотографии

[基本信息.jpg]
[材料信息学导论: 机器学习基础]
[ 定 ]168.00
[ 出版社 ][科学出版]
[ 版次 ]1
[ 出版时间 ][2025年08月]
[ 开本 ]16
[ 作者 ][张统一]
[ 装帧 ][平装]
[ 页数 ]405
[ 字数 ]
[ 书号 ]9787030817624


[内容简介.jpg]

[ 材料信息学是一门新兴的交学科，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，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方面，有诸多的尝试和心得体会。作者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：本书为第一，侧重于机器学习基础；第二讲解高等机器学习。 ]
[　　本书共十二章，内容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、贝叶斯定理和期望大化算法、符号回归、经网络、隐马尔可夫链、数据预处理与征选择、可解释性的SHAP值和分依赖图。本书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。 ]


[图书目录.jpg]
[ 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 11 ]
[2.1 小二乘法 11 ]
[2.2 主成分分析与主成分回归 21 ]
[2.3 小对值收敛和选择算子（L1） 30 ]
[2.4 岭回归（L2） 33 ]
[2.5 弹性网络回归 37 ]
[2.6 多任务LASSO 40 ]
[作业 43 ]
[参考文献 44 ]
[第3章 线性分类 46 ]
[3.1 感知机 48 ]
[3.2 逻辑斯谛回归 51 ]
[3.3 线性判别分析 63 ]
[作业 69 ]
[参考文献 71 ]
[第4章 支持向量机 72 ]
[4.1 支持向量分类 72 ]
[4.2 核函数 77 ]
[4.3 软间隔 84 ]
[4.4 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 99 ]
[5.1 分类树 99 ]
[5.2 回归树 107 ]
[5.3 K近邻方法 114 ]
[作业 118 ]
[参考文献 119 ]
[第6章 集成学习 120 ]
[6.1 Boosting方法 121 ]
[6.1.1 AdaBoost分类 121 ]
[6.1.2 AdaBoost回归和梯度提升器 128 ]
[6.1.3 损失函数的二展开提升学习（SOB） 132 ]
[6.1.4 限梯度提升器（XGBoost） 133 ]
[6.2 装袋法 135 ]
[作业 139 ]
[参考文献 140 ]
[第7章 贝叶斯定理和期望大化算法 142 ]
[7.1 贝叶斯定理 142 ]
[7.2 朴素贝叶斯分类器 143 ]
[7.3 大似然估计 149 ]
[7.3.1 高斯分布 149 ]
[7.3.2 韦布尔分布 151 ]
[7.4 贝叶斯线性回归 155 ]
[7.5 期望大化算法 163 ]
[7.5.1 高斯混合模型 163 ]
[7.5.2 洛伦兹分布与高斯分布的混合分布 175 ]
[7.6 高斯过程回归 185 ]
[作业 193 ]
[参考文献 194 ]
[第8章 符号回归 195 ]
[8.1 进化计算综述 195 ]
[8.2 遗传编程 196 ]
[8.3 语法引导的遗传编程和语法进化 199 ]
[8.4 LASSO在符号回归中的应用 206 ]
[作业 207 ]
[参考文献 207 ]
[第9章 经网络 209 ]
[9.1 经网络和感知机 209 ]
[9.2 反向传播算法 211 ]
[9.3 经网络中的正则化 219 ]
[9.3.1 L1正则化 219 ]
[9.3.2 L2正则化 226 ]
[9.4 经网络分类 230 ]
[9.4.1 二分类问题 230 ]
[9.4.2 单类别下多等级分类问题 236 ]
[9.5 自编码器 240 ]
[9.5.1 引言 240 ]
[9.5.2 去噪自编码器 241 ]
[9.5.3 稀疏自编码器 248 ]
[9.5.4 变分自编码器 255 ]
[作业 277 ]
[参考文献 278 ]
[第10章 隐马尔可夫链 279 ]
[10.1 马尔可夫链 279 ]
[10.2 静态马尔可夫链 282 ]
[10.3 马尔可夫链蒙卡罗方法 283 ]
[10.3.1 Metropolis Hastings（M-H）算法 285 ]
[10.3.2 吉布斯抽样算法 286 ]
[10.4 观测序列概率的计算方法 289 ]
[10.4.1 直接法 289 ]
[10.4.2 正向法 291 ]
[10.4.3 反向法 293 ]
[10.5 状态序列评估 295 ]
[10.5.1 直接法 295 ]
[10.5.2 维比算法 296 ]
[10.6 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 数据预处理与征选择 310 ]
[11.1 可靠数据、正常数据、异常数据检测 310 ]
[11.1.1 局离群因子 311 ]
[11.1.2 孤立森林 314 ]
[11.1.3 单类支持向量机 317 ]
[11.1.4 支持向量数据描述 322 ]
[11.2 征选择 326 ]
[11.2.1 过滤式方法 326 ]
[11.2.2 裹式选择 351 ]
[11.2.3 嵌入式征重要性评估 358 ]
[作业 362 ]
[参考文献 363 ]
[第12章 可解释性的SHAP值和分依赖图 365 ]
[12.1 SHAP值 365 ]
[12.2 两个征的联合SHAP值 379 ]
[12.3 分依赖图（PDP） 381 ]
[12.3.1 单征分依赖图 381 ]
[12.3.2 双征及多征分依赖图 385 ]
[作业 392 ]
[参考文献 393 ]
[附录1 向量和矩阵 394 ]
[A1.1 定义 394 ]
[A1.1.1 向量 394 ]
[A1.1.2 矩阵 394 ]
[A1.2 矩阵代数 394 ]
[A1.2.1 逆和转置 394 ]
[A1.2.2 迹 395 ]
[A1.2.3 行列式 395 ]
[A1.2.4 征值和征向量 396 ]
[A1.2.5 奇异值分解 396 ]
[A1.2.6 伪逆 396 ]
[A1.2.7 一些常用的恒等式 397 ]
[A1.3 矩阵分析 397 ]
[A1.3.1 矩阵的导数 397 ]
[A1.3.2 行列式的导数 398 ]
[A1.3.3 逆矩阵的导数 398 ]
[A1.3.4 雅可比矩阵和黑塞矩阵 398 ]
[A1.3.5 链式法则 399 ]
[参考文献 399 ]
[附录2 统计学基础 400 ]
[A2.1 概率 400 ]
[A2.1.1 联合概率 400 ]
[A2.1.2 贝叶斯定理 400 ]
[A2.1.3 连续变量的概率密度 400 ]
[A2.1.4 分位数函数 401 ]
[A2.1.5 随机变量的期望、方差和协方差 401 ]
[A2.2 分布 401 ]
[A2.2.1 伯努利分布 401 ]
[A2.2.2 二项分布 401 ]
[A2.2.3 泊松分布 402 ]
[A2.2.4 高斯分布 402 ]
[A2.2.5 韦布尔分布 402 ]
[A2.2.6 卡方（X2）分布和卡方（X2）检验 403 ]
[A2.2.7 学生t分布和t检验 403 ]
[参考文献 403 ]
[索引 404 ]