Cantitate/Preț
Produs
Total produse
Vezi coșul
Materials Data Science de Stefan Sandfeld

Materials Data Science: The Materials Research Society Series

Autor Stefan Sandfeld
en Limba Engleză Hardback – 9 mai 2024

Abordarea din Materials Data Science de Stefan Sandfeld diferă de cea din An Introduction to Materials Informatics prin accentul pus pe implementarea algoritmică directă — găsim aici un ghid mai puțin axat pe prezentarea generală a domeniului și mult mai aplicat pe construcția efectivă a modelelor. Apreciem în mod deosebit decizia autorului de a implementa majoritatea metodelor de la zero folosind Python și NumPy, oferind astfel inginerilor o înțelegere profundă a proceselor, dincolo de simpla utilizare a unor biblioteci software preexistente. Structura celor 618 pagini este una riguros tehnică, organizată în trei piloni fundamentali care ghidează cititorul de la concepte de bază la arhitecturi complexe. Prima parte servește drept fundament matematic, acoperind statistica descriptivă, variabilele aleatorii și teorema lui Bayes în contextul specific al ingineriei materialelor. Ne-a atras atenția modul în care partea a doua, dedicată învățării automate statistice, progresează de la regresii simple la tehnici de clasificare avansate, precum SVM sau metode de reducere a dimensionalității ca t-SNE și UMAP. În secțiunea finală, dedicată învățării profunde (Deep Learning), volumul demonstrează cum pot fi construite rețele neuronale complet conectate și arhitecturi complexe, inclusiv GAN-uri. Această organizare indică o acoperire exhaustivă a fluxului de lucru într-un proiect de date: de la analiza exploratorie și ingineria caracteristicilor (feature engineering), până la validarea încrucișată a modelelor. Fiind parte din seria The Materials Research Society Series publicată de Springer, textul menține un standard academic înalt, fiind adaptat nevoilor specifice ale cercetătorilor care lucrează cu seturi de date din știința materialelor.

Citește tot Restrânge

Din seria The Materials Research Society Series

  • Soft Crystals: Flexible Response Systems with High Structural Order
    Preț: 32728 lei
  • 20% Introduction to Quantum Computing
    Preț: 32295 lei
  • 24% Hyperordered Structures in Materials
    Preț: 115681 lei
  • Emerging Battery Technologies to Boost the Clean Energy Transition: Cost, Sustainability, and Performance Analysis
    Preț: 34484 lei
  • 23% Shape Memory Alloys in Civil Engineering
    Preț: 95235 lei

Preț: 57337 lei

Preț vechi: 67456 lei
-15%

Puncte Express: 860

Carte disponibilă

Livrare economică 30 aprilie-14 mai
Livrare express 15-21 aprilie pentru 6470 lei

 Adaugă în coș

Wish list
Gift list
Am citit!
Adaugă în listă

Specificații

ISBN-13: 9783031465642
ISBN-10: 3031465644
Pagini: 644
Ilustrații: XXVI, 618 p. 200 illus. in color.
Dimensiuni: 160 x 241 x 38 mm
Greutate: 1.24 kg
Ediția:2024
Editura: Springer
Colecția The Materials Research Society Series
Seria The Materials Research Society Series

Locul publicării:Cham, Switzerland

De ce să citești această carte

Recomandăm această carte studenților și inginerilor care doresc să stăpânească știința datelor fără a se baza pe instrumente de tip „black box”. Cititorul câștigă capacitatea de a scrie cod Python pentru algoritmi complecși, de la regresii la rețele neuronale, înțelegând exact mecanica din spatele predicțiilor. Este un manual tehnic esențial pentru oricine dorește să aplice învățarea automată în cercetarea materialelor într-un mod riguros și verificabil.

Despre autor

Stefan Sandfeld este un specialist recunoscut în domeniul științei materialelor, cu un interes marcat pentru integrarea metodelor de data mining și machine learning în fluxurile de lucru de inginerie. Prin contribuția sa la The Materials Research Society Series, Sandfeld promovează o abordare fundamentată matematic și computațional a cercetării. Expertiza sa se concentrează pe transformarea datelor brute în modele predictive, fiind un susținător al transparenței algoritmice, fapt reflectat în metodologia de implementare „de la zero” prezentată în lucrările sale publicate la Springer.

Descriere scurtă

This text covers all of the data science, machine learning, and deep learning topics relevant to materials science and engineering, accompanied by numerous examples and applications. Almost all methods and algorithms introduced  are implemented “from scratch” using Python and NumPy.
The book starts with an introduction to statistics and probabilities, explaining important concepts such as random variables and probability distributions, Bayes’ theorem and correlations, sampling techniques, and exploratory data analysis, and puts them in the context of materials science and engineering. Therefore, it serves as a valuable primer for both undergraduate and graduate students, as well as a review for research scientists and practicing engineers.
The second part provides an in-depth introduction of (statistical) machine learning. It begins with outlining fundamental concepts and proceeds to explore a variety of supervised learning techniques for regression and classification, including advanced methods such as kernel regression and support vector machines. The section on unsupervised learning emphasizes principal component analysis, and also covers manifold learning (t-SNE and UMAP) and clustering techniques. Additionally, feature engineering, feature importance, and cross-validation are introduced.
The final part on neural networks and deep learning aims to promote an understanding of these methods and dispel misconceptions that they are a “black box”. The complexity gradually increases until fully connected networks can be implemented. Advanced techniques and network architectures, including GANs, are implemented “from scratch” using Python and NumPy, which facilitates a comprehensive understanding of all the details and enables the user to conduct their own experiments in Deep Learning.

Cuprins

Introduction to Data, Data Mining, and Prediction in Materials Science.- A Primer on Probabilities, Distributions and Statistics.- Introduction to Statistical Machine Learning.- Artificial Neural Networks and Deep Learning.- Advanced Topics of Machine Learning and Data Mining in Materials Science and Engineering.- Conclusion Outlook.- Appendix.

Notă biografică

Prof. Dr. Stefan Sandfeld is Director of the Institute for Advanced Simulation: Materials Data Science and Informatics (IAS-9) Forschungszentrum Juelich, Germany; and Professor/Chair of Materials Data Science and Materials Informatics, RWTH Aachen University.​

 





 

Textul de pe ultima copertă

This text covers all of the artificial intelligence, deep learning, and data science topics relevant to materials science and engineering, accompanied by numerous examples and applications. The book begins with a concise introduction to statistics and probabilities, explaining important concepts and definitions such as probability functions and distributions, sampling and data preparation, Bayes’ theorem, and statistical significance testing in the context of materials science. As such it is a useful introduction for both undergraduate and graduate students as well as a refresher for research scientists and practicing engineers. The second part is a detailed description of (statistical) machine learning and deep learning. It considers a range of supervised and unsupervised methods including multi-output regression, random forests, time series prediction, and clustering as well as a number of different deep learning networks such as convolutional neural networks, auto-encoder, or generative adversarial networks. The degree of detail and theory is such that all methods can be understood and critically discussed, and it is reinforced by extensive examples within materials science and engineering. The final part considers six complex applications and advanced topics of machine learning and data mining in materials science and engineering. A comprehensive appendix is included, summarizing the most important statistical and mathematical techniques.

  • Introduces machine learning/deep learning methods in detail based on examples and data from materials science;
  • Covers all theoretical foundations in an accessible manner, tailored to materials scientists and engineers;
  • Maximizes intuitive understanding with materials science and physics examples, coding exercises, and online material.