توضیحاتی در مورد کتاب Machine Learning in Chemistry: The Impact of Artificial Intelligence (Theoretical and Computational Chemistry Series): Volume 17
نام کتاب : Machine Learning in Chemistry: The Impact of Artificial Intelligence (Theoretical and Computational Chemistry Series): Volume 17
ویرایش : 1
عنوان ترجمه شده به فارسی : یادگیری ماشینی در شیمی: تاثیر هوش مصنوعی (سری شیمی نظری و محاسباتی): جلد 17
سری : Theoretical and computational chemistry ;
نویسندگان : Tim Allen
ناشر : Royal Society of Chemistry
سال نشر : 2020
تعداد صفحات : 0
ISBN (شابک) : 1788017897 , 9781788017893
زبان کتاب : English
فرمت کتاب : epub درصورت درخواست کاربر به PDF تبدیل می شود
حجم کتاب : 6 مگابایت
بعد از تکمیل فرایند پرداخت لینک دانلود کتاب ارائه خواهد شد. درصورت ثبت نام و ورود به حساب کاربری خود قادر خواهید بود لیست کتاب های خریداری شده را مشاهده فرمایید.
توضیحاتی در مورد کتاب :
پیشرفت در کاربرد یادگیری ماشینی (ML) در علوم فیزیکی و زیستی سریع بوده است. یک دهه پیش، این روش عمدتاً مورد توجه کسانی بود که در بخشهای علوم کامپیوتر بودند، اما اخیراً ابزارهای ML توسعه یافتهاند که پتانسیل قابلتوجهی را در حوزههای وسیع علم نشان میدهند. اجماع فزایندهای وجود دارد که نرمافزار ML و حوزههای مرتبط با هوش مصنوعی، ممکن است در زمان مناسب به اندازه خود رایانهها برای تحقیقات علمی اساسی شوند. با این حال، این تصور وجود دارد که ML مبهم یا باطنی است، که فقط دانشمندان رایانه می توانند واقعاً آن را درک کنند، و کاربردهای معدودی در تحقیقات علمی وجود دارد. این کتاب این دیدگاه را به چالش می کشد. با مشارکت گروههای تحقیقاتی پیشرو، مثالهای عمیقی ارائه میکند تا نشان دهد چگونه ML میتواند برای مشکلات شیمیایی واقعی اعمال شود. از طریق این مثالها، خواننده میتواند هم احساس کند که ML میتواند و چه چیزی (تا کنون) نمیتواند به دست آورد، و همچنین ویژگیهایی را شناسایی میکند که ممکن است مشکلی را در علم فیزیکی برای رویکرد ML ایجاد کند. این متن منبع ارزشمندی برای دانشمندانی است که مجذوب قدرت یادگیری ماشینی هستند و میخواهند درباره نحوه استفاده از آن در حوزه خود اطلاعات بیشتری کسب کنند.
توضیحاتی در مورد کتاب به زبان اصلی :
Progress in the application of machine learning (ML) to the physical and life sciences has been rapid. A decade ago, the method was mainly of interest to those in computer science departments, but more recently ML tools have been developed that show significant potential across wide areas of science. There is a growing consensus that ML software, and related areas of artificial intelligence, may, in due course, become as fundamental to scientific research as computers themselves. Yet a perception remains that ML is obscure or esoteric, that only computer scientists can really understand it, and that few meaningful applications in scientific research exist. This book challenges that view. With contributions from leading research groups, it presents in-depth examples to illustrate how ML can be applied to real chemical problems. Through these examples, the reader can both gain a feel for what ML can and cannot (so far) achieve, and also identify characteristics that might make a problem in physical science amenable to a ML approach. This text is a valuable resource for scientists who are intrigued by the power of machine learning and want to learn more about how it can be applied in their own field.