[SPOT Antuine] Введение в материальную информатику: Основы машинного обучения Чжан Тонги Материалы Генетическая инженерная серия Science Press Подлинные книги
Вес товара: ~0.7 кг. Указан усредненный вес, который может отличаться от фактического. Не включен в цену, оплачивается при получении.
Описание товара
| Введение в информатику материалов: основы машинного обучения | ||
 | ISBN | 9787030817624 |
| Ценообразование | 168 | |
| автор | Чжан Тунтун с; Редактировать: Перевод; | |
| формат | 16 | |
| Украсить | Оплата в мягкой обложке | |
| Количество страниц | 405 | |
| Опубликованная дата | Август 2025 | |
| Издатель | научная пресса | |
Информатика материалов — это новый междисциплинарный предмет, который обеспечивает новый метод ускорения развития исследований в области материаловедения и инженерных технологий в соответствии с концепциями генома материалов и искусственного интеллекта + материалов.Будучи ученым в области материалов и механики, автор проделал большую работу по содействию развитию информатики материалов.У него много попыток и опыта в интеграции и пересечении искусственного интеллекта (ИИ), машинного обучения (МО), а также материаловедения и технологий.Автор стремится написать простое для понимания введение в информатику материалов, чтобы способствовать дальнейшему развитию информатики материалов. Чтобы облегчить читателям понимание и усвоение основного содержания материалов по информатике и учесть полноту содержания, автор написал два тома: данная книга является первой, посвященной основам машинного обучения;второй объясняет продвинутое машинное обучение.
Всего в этой книге двенадцать глав, включая линейную регрессию и линейную классификацию, машины опорных векторов, деревья решений и K-ближайшие соседи (KNN), ансамблевое обучение, теорему Байеса и математическое ожидание.…алгоритмы оптимизации, символьная регрессия, нейронные сети, скрытые цепи Маркова, предварительная обработка данных и выбор признаков, интерпретируемые значения SHAP и графики частичных зависимостей. Повествование в этой книге стремится начать с простых и ясных математических определений и физических образов, тесно объединить примеры исследований в области материаловедения и представить подробные этапы различных алгоритмов, чтобы облегчить читателям обучение и применение.
Оглавление
Последовательность
Предисловие
Английский предисловие
таблица символов
Глава 1 Введение 1
Ссылка 9
Глава 2. Линейная регрессия 11
2.1 Метод наименьших квадратов 11
2.2 Анализ главных компонент и регрессия главных компонент 21
2.3 Оператор сходимости и выбора минимального абсолютного значения (L1) 30
2.4 Ридж-регрессия (L2) 33
2.5 Регрессия эластичной сети 37
2.6 Многозадачность ЛАССО 40
Домашнее задание 43
Ссылки 44
Глава 3. Линейная классификация 46
3.1 Персептрон 48
3.2 Логистическая регрессия 51
3.3 Линейный дискриминантный анализ 63
Домашнее задание 69
Ссылки 71
Глава 4. Машины опорных векторов 72
4.1 Классификация опорных векторов 72
4.2 Функция ядра 77
4.3 Мягкие интервалы 84
4.4 Регрессия опорных векторов 89
Домашнее задание 95
Ссылка 97
Глава 5. Деревья решений и K ближайших соседей 99
5.1 Дерево классификации 99
5.2 Деревья регрессии 107
Метод ближайшего соседа 5,3 тыс. 114
Операция 118
Ссылки 119
Глава 6. Ансамблевое обучение 120
6.1 Метод бустинга 121
6.1.1 Классификация AdaBoost 121
6.1.2 Регрессия AdaBoost и усилитель градиента 128
6.1.3 Расширение второго порядка, повышающее обучение (SOB) функции потерь 132
6.1.4 Усилитель экстремального градиента (XGBoost) 133
6.2 Метод упаковки 135
Домашнее задание 139
Ссылки 140
Глава 7. Теорема Байеса и ожидания…алгоритм оптимизации 142
7.1 Теорема Байеса 142
7.2 Наивный байесовский классификатор 143
7.3…Оценка вероятности 149
7.3.1 Распределение Гаусса 149
7.3.2 Распределение Вейбулла 151
7.4 Байесовская линейная регрессия 155
7.5 Ожидания…алгоритм оптимизации 163
7.5.1 Модель гауссовой смеси 163
7.5.2 Смешанное распределение распределения Лоренца и распределения Гаусса 175
7.6 Регрессия гауссовского процесса 185
Домашнее задание 193
Ссылки 194
Глава 8 Возврат символа 195
8.1 Обзор эволюционных вычислений 195
8.2 Генетическое программирование 196
8.3 Генетическое программирование с учетом грамматики и эволюция грамматики 199
8.4 Применение LASSO в символьной регрессии 206
Домашнее задание 207
Ссылки 207
Глава 9. Нейронные сети 209.
9.1. Нейронные сети и перцептроны 209
9.2 Алгоритм обратного распространения ошибки 211
9.3. Регуляризация в нейронных сетях 219
9.3.1 Регуляризация L1 219
9.3.2 Регуляризация L2 226
9.4 Классификация нейронных сетей 230
9.4.1. Задача двухклассовой классификации 230
9.4.2 Проблема многоуровневой классификации по одной категории 236
9.5 Автоэнкодеры 240
9.5.1 Введение 240
9.5.2 Автоэнкодеры с шумоподавлением 241
9.5.3 Разреженные автоэнкодеры 248
9.5.4 Вариационные автоэнкодеры 255
Домашнее задание 277
Ссылка 278
Глава 10. Скрытая цепь Маркова 279
10.1 Цепь Маркова 279
10.2 Статическая цепь Маркова 282
10.3. Метод Монте-Карло с цепью Маркова 283.
10.3.1 Алгоритм Метрополис-Гастингс (M-H) 285
10.3.2 Алгоритм выборки Гиббса 286
10.4 Метод расчета вероятности последовательности наблюдений 289
10.4.1 Прямой метод 289
10.4.2 Прямой метод 291
10.4.3 Обратный метод 293
10.5…Оценка последовательности состояний 295
10.5.1 Прямой метод 295
10.5.2 Алгоритм Витерби 296
10.6 Оценка собственных параметров—Алгоритм Баума-Уэлча 297
Домашнее задание 307
Ссылки 308
Глава 11. Предварительная обработка данных и выбор функций 310
11.1 Обнаружение достоверных, нормальных и аномальных данных 310
11.1.1 Коэффициент локального выброса 311
11.1.2 Изолированный лес 314
11.1.3 Одноклассовая машина опорных векторов 317
11.1.4 Описание данных опорного вектора 322
11.2 Выбор функции 326
11.2.1 Метод фильтрации 326
11.2.2 Обернутое выделение 351
11.2.3 Оценка важности встроенных функций 358
Домашнее задание 362
Ссылка 363
Глава 12. Интерпретируемые значения SHAP и графики частичных зависимостей 365
12.1 Значение ШАП 365
12.2 Совместное значение SHAP двух объектов 379
12.3 Граф частичной зависимости (PDP) 381
12.3.1 График частичной зависимости отдельного объекта 381
12.3.2 График частичной зависимости для двух и многих функций 385
Домашнее задание 392
Ссылка 393
Приложение 1. Векторы и матрицы 394
А1.1 Определение 394
А1.1.1 Векторы 394
А1.1.2 Матрица 394
A1.2 Матричная алгебра 394
A1.2.1 Инверсия и транспонирование 394
А1.2.2 Трассировка 395
А1.2.3 Определяющие факторы 395
A1.2.4 Собственные значения и собственные векторы 396
A1.2.5 Разложение по сингулярным значениям 396
А1.2.6 Псевдоинверсия 396
A1.2.7 Некоторые часто используемые идентификаторы 397
А1.3 Матричный анализ 397
А1.3.1 Производные матриц 397
А1.3.2 Производные определителей 398
А1.3.3 Производные обратных матриц 398
A1.3.4 Матрица Якобиана и матрица Гессе 398
A1.3.5 Правило цепочки 399
Ссылка 399
Приложение 2 Основы статистики 400
А2.1 Вероятность 400
А2.1.1 Совместная вероятность 400
A2.1.2 Теорема Байеса 400
А2.1.3 Плотность вероятности непрерывных переменных 400
A2.1.4 Квантильная функция 401
А2.1.5 Ожидание, дисперсия и ковариация случайных величин 401
А2.2 Распространение 401
А2.2.1 Распределение Бернулли 401
А2.2.2 Биномиальное распределение 401
А2.2.3 Распределение Пуассона 402
A2.2.4 Распределение Гаусса 402
А2.2.5 Распределение Вейбулла 402
A2.2.6 Распределение хи-квадрат (X2) и критерий хи-квадрат (X2) 403
A2.2.7 Распределение Стьюдента и критерий Стьюдента 403
Ссылки 403
Индекс 404
