材料信息學(xué)導(dǎo)論：機(jī)器學(xué)習(xí)基礎(chǔ)
定 價(jià)：168 元
叢書(shū)名：材料基因工程叢書(shū)
- 作者：張統(tǒng)一
- 出版時(shí)間：2025/8/1
- ISBN：9787030817624
- 出 版 社：科學(xué)出版社
- 中圖法分類(lèi)：TB3
- 頁(yè)碼：405
- 紙張：
- 版次：1
- 開(kāi)本：B5
材料信息學(xué)是一門(mén)新興的交叉學(xué)科，為在材料基因組和人工智能+材料理念下加速材料科學(xué)研究和工程技術(shù)發(fā)展提供了一個(gè)全新的方法。作為材料和力學(xué)學(xué)者，作者在推動(dòng)材料信息學(xué)發(fā)展方面做了大量工作，在人工智能（AI）、機(jī)器學(xué)習(xí)（ML）和材料科學(xué)技術(shù)融合交叉方面，有諸多的嘗試和心得體會(huì)。作者旨在寫(xiě)一套易懂的材料信息學(xué)簡(jiǎn)介書(shū)，以進(jìn)一步推動(dòng)材料信息學(xué)的發(fā)展。為便于讀者盡快理解和掌握材料信息學(xué)的核心內(nèi)容，兼顧內(nèi)容的完整性，作者撰寫(xiě)完成了兩部：本書(shū)為第一部，側(cè)重于機(jī)器學(xué)習(xí)基礎(chǔ)；第二部講解高等機(jī)器學(xué)習(xí)。
本書(shū)共十二章，內(nèi)容包括線性回歸與線性分類(lèi)、支持向量機(jī)、決策樹(shù)和K近鄰（KNN）、集成學(xué)習(xí)、貝葉斯定理和期望最大化算法、符號(hào)回歸、神經(jīng)網(wǎng)絡(luò)、隱馬爾可夫鏈、數(shù)據(jù)預(yù)處理與特征選擇、可解釋性的SHAP值和部分依賴圖。本書(shū)敘述力求從簡(jiǎn)單明了的數(shù)學(xué)定義和物理圖像出發(fā)，密切結(jié)合材料科學(xué)研究案例，給出了各種算法的詳細(xì)步驟，便于讀者學(xué)習(xí)和運(yùn)用。
更多科學(xué)出版社服務(wù)，請(qǐng)掃碼獲取。
1978-1979年于新鄉(xiāng)師范學(xué)院（現(xiàn)河南師范大學(xué)）物理系學(xué)習(xí)；1979—1982年：在北京鋼鐵學(xué)院（現(xiàn)北京科技大學(xué)）物理化學(xué)系金屬物理專業(yè)學(xué)習(xí)，獲得碩士學(xué)位；1982—1985年：在北京鋼鐵學(xué)院（現(xiàn)北京科技大學(xué)）物理化學(xué)系金屬物理專業(yè)學(xué)習(xí)，獲得博士學(xué)位。1986-1988 德國(guó)哥廷根大學(xué)，洪堡學(xué)者；1990-1993 美國(guó)耶魯大學(xué)，副研究員；1993-2015 香港科技大學(xué)，講師，副教授，教授，講座教授，方氏工程學(xué)教授；2014創(chuàng)建上海大學(xué)材料基因組工程研究院、并任創(chuàng)院院長(zhǎng)。2022加盟香港科技大學(xué)(廣州)，講座教授。獲國(guó)家自然科學(xué)二等獎(jiǎng)二次、香港裘槎高級(jí)研究學(xué)者獎(jiǎng)、美國(guó)ASM International Fellow獎(jiǎng)國(guó)材料學(xué)會(huì)材料基因組工程分會(huì)首任主任，Journal of Materials Informatics主編，國(guó)際斷裂學(xué)會(huì)副主席，中國(guó)腐蝕防護(hù)學(xué)會(huì)榮譽(yù)主席
目錄
叢書(shū)序
前言
英文版前言
符號(hào)表
第1章 緒論 1
參考文獻(xiàn) 9
第2章 線性回歸 11
2.1 最小二乘法 11
2.2 主成分分析與主成分回歸 21
2.3 最小絕對(duì)值收斂和選擇算子（L1） 30
2.4 嶺回歸（L2） 33
2.5 彈性網(wǎng)絡(luò)回歸 37
2.6 多任務(wù)LASSO 40
作業(yè) 43
參考文獻(xiàn) 44
第3章 線性分類(lèi) 46
3.1 感知機(jī) 48
3.2 邏輯斯諦回歸 51
3.3 線性判別分析 63
作業(yè) 69
參考文獻(xiàn) 71
第4章 支持向量機(jī) 72
4.1 支持向量分類(lèi) 72
4.2 核函數(shù) 77
4.3 軟間隔 84
4.4 支持向量回歸 89
作業(yè) 95
參考文獻(xiàn) 97
第5章 決策樹(shù)和K近鄰 99
5.1 分類(lèi)樹(shù) 99
5.2 回歸樹(shù) 107
5.3 K最近鄰方法 114
作業(yè) 118
參考文獻(xiàn) 119
第6章 集成學(xué)習(xí) 120
6.1 Boosting方法 121
6.1.1 AdaBoost分類(lèi) 121
6.1.2 AdaBoost回歸和梯度提升器 128
6.1.3 損失函數(shù)的二階展開(kāi)提升學(xué)習(xí)（SOB） 132
6.1.4 極限梯度提升器（XGBoost） 133
6.2 裝袋法 135
作業(yè) 139
參考文獻(xiàn) 140
第7章 貝葉斯定理和期望最大化算法 142
7.1 貝葉斯定理 142
7.2 樸素貝葉斯分類(lèi)器 143
7.3 最大似然估計(jì) 149
7.3.1 高斯分布 149
7.3.2 韋布爾分布 151
7.4 貝葉斯線性回歸 155
7.5 期望最大化算法 163
7.5.1 高斯混合模型 163
7.5.2 洛倫茲分布與高斯分布的混合分布 175
7.6 高斯過(guò)程回歸 185
作業(yè) 193
參考文獻(xiàn) 194
第8章 符號(hào)回歸 195
8.1 進(jìn)化計(jì)算綜述 195
8.2 遺傳編程 196
8.3 語(yǔ)法引導(dǎo)的遺傳編程和語(yǔ)法進(jìn)化 199
8.4 LASSO在符號(hào)回歸中的應(yīng)用 206
作業(yè) 207
參考文獻(xiàn) 207
第9章 神經(jīng)網(wǎng)絡(luò) 209
9.1 神經(jīng)網(wǎng)絡(luò)和感知機(jī) 209
9.2 反向傳播算法 211
9.3 神經(jīng)網(wǎng)絡(luò)中的正則化 219
9.3.1 L1正則化 219
9.3.2 L2正則化 226
9.4 神經(jīng)網(wǎng)絡(luò)分類(lèi) 230
9.4.1 二分類(lèi)問(wèn)題 230
9.4.2 單類(lèi)別下多等級(jí)分類(lèi)問(wèn)題 236
9.5 自編碼器 240
9.5.1 引言 240
9.5.2 去噪自編碼器 241
9.5.3 稀疏自編碼器 248
9.5.4 變分自編碼器 255
作業(yè) 277
參考文獻(xiàn) 278
第10章 隱馬爾可夫鏈 279
10.1 馬爾可夫鏈 279
10.2 靜態(tài)馬爾可夫鏈 282
10.3 馬爾可夫鏈蒙特卡羅方法 283
10.3.1 Metropolis Hastings（M-H）算法 285
10.3.2 吉布斯抽樣算法 286
10.4 觀測(cè)序列概率的計(jì)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 最優(yōu)狀態(tài)序列評(píng)估 295
10.5.1 直接法 295
10.5.2 維特比算法 296
10.6 本征參數(shù)評(píng)估—鮑姆-韋爾奇算法 297
作業(yè) 307
參考文獻(xiàn) 308
第11章 數(shù)據(jù)預(yù)處理與特征選擇 310
11.1 可靠數(shù)據(jù)、正常數(shù)據(jù)、異常數(shù)據(jù)檢測(cè) 310
11.1.1 局部離群因子 311
11.1.2 孤立森林 314
11.1.3 單類(lèi)支持向量機(jī) 317
11.1.4 支持向量數(shù)據(jù)描述 322
11.2 特征選擇 326
11.2.1 過(guò)濾式方法 326
11.2.2 包裹式選擇 351
11.2.3 嵌入式特征重要性評(píng)估 358
作業(yè) 362
參考文獻(xiàn) 363
第12章 可解釋性的SHAP值和部分依賴圖 365
12.1 SHAP值 365
12.2 兩個(gè)特征的聯(lián)合SHAP值 379
12.3 部分依賴圖（PDP） 381
12.3.1 單特征部分依賴圖 381
12.3.2 雙特征及多特征部分依賴圖 385
作業(yè) 392
參考文獻(xiàn) 393
附錄1 向量和矩陣 394
A1.1 定義 394
A1.1.1 向量 394
A1.1.2 矩陣 394
A1.2 矩陣代數(shù) 394
A1.2.1 逆和轉(zhuǎn)置 394
A1.2.2 跡 395
A1.2.3 行列式 395
A1.2.4 特征值和特征向量 396
A1.2.5 奇異值分解 396
A1.2.6 偽逆 396
A1.2.7 一些常用的恒等式 397
A1.3 矩陣分析 397
A1.3.1 矩陣的導(dǎo)數(shù) 397
A1.3.2 行列式的導(dǎo)數(shù) 398
A1.3.3 逆矩陣的導(dǎo)數(shù) 398
A1.3.4 雅可比矩陣和黑塞矩陣 398
A1.3.5 鏈?zhǔn)椒▌t 399
參考文獻(xiàn) 399
附錄2 統(tǒng)計(jì)學(xué)基礎(chǔ) 400
A2.1 概率 400
A2.1.1 聯(lián)合概率 400
A2.1.2 貝葉斯定理 400
A2.1.3 連續(xù)變量的概率密度 400
A2.1.4 分位數(shù)函數(shù) 401
A2.1.5 隨機(jī)變量的期望、方差和協(xié)方差 401
A2.2 分布 401
A2.2.1 伯努利分布 401
A2.2.2 二項(xiàng)分布 401
A2.2.3 泊松分布 402
A2.2.4 高斯分布 402
A2.2.5 韋布爾分布 402
A2.2.6 卡方（X2）分布和卡方（X2）檢驗(yàn) 403
A2.2.7 學(xué)生t分布和t檢驗(yàn) 403
參考文獻(xiàn) 403
索引 404
書(shū)單推薦
