科技进步一日千里,每天出现的新概念,新技术,新应用令人眼花缭乱,学科交叉融合也是趋势所在。紧跟科技新兴话题,或对非本人研究领域有初步了解成为必需。美国化学会出版社的ACS in Focus电子书系列, 就是为了帮助处于各阶段的学生和研究人员迅速掌握最新课题而推出的。
第一批电子书合集将收录10本书,今天我们为大家推介上线的第一本:
"Machine Learning in Chemistry"
作者介绍
Jon Paul Janet
Jon Paul Janet 是一位深耕分子机器学习的科学家。目前他正在进行早期药物研发工作,而在此之前为无机复合物制定机器学习增强虚拟设计策略。他于2012年获开普敦大学化学工程学士学位,2015年获柏林工业大学和斯德哥尔摩皇家理工学院科学计算和应用数学硕士学位,并于2019年获麻省理工学院化学工程和计算科学与工程博士学位。
Heather J. Kulik
Heather J. Kulik教授在麻省理工学院化学工程系担任副教授。她于2004年获库伯联盟学院化学工程学士学位,2009年获麻省理工学院材料科学与工程博士学位。她在劳伦斯利弗莫尔国家实验室和斯坦福大学完成了她的博士后培养项目,后于2013年11月加入麻省理工学院任教。
作者前言:
近期,“机器学习”或“人工智能”在视觉和自然语言处理方面的进步有助于以私人助理或自动驾驶汽车为代表的新技术的发展,这些进步将机器学习和人工智能推到了流行文化的风口浪尖。尽管机器学习听起来是一个新潮的词汇,但实际上机器学习和人工智能这两个术语早在20世纪50年代就出现了,目前化学领域使用的很多算法早在20世纪80、90年代即被首次引入和应用。虽然机器学习的“开发周期”过于漫长,但是此类算法的进步,连同大数据和超高速计算机的推出,却有助于将机器学习加速引入一系列应用领域。鉴于化学重视结构和功能之间的关系,无论是生物化学还是材料化学,研究人员都倾向于接受机器学习。
我们希望本书对读者有所启迪。计算化学通过快速准确的材料筛选或分子动力学方法降低了成本,这些近期的技术进步强烈地吸引着学术界。学术界还感兴趣于在反应预测、逆合成或光谱特征分析方面,以机器学习模型替代传统的专业模型。
Machine Learning in Chemistry 目录
共同作者对机器学习的尝试始于他们当中的某个人(Jon Paul)的机器学习家庭作业。当时,和大多数人一样,我们不确定机器学习模型是否可以推动我们在新型过渡金属配合物计算设计和发现方面的最新研究。在接下来的几年里,我们慢慢学会了拨开迷雾发现真相,确定了机器学习算法的应用场合。本书旨在帮助那些有意学习新技术的研究人员,找到适合自己研究领域的最有效的统计工具。
本书并不仅仅讨论机器学习的方法,而是尝试使用与该领域相关的语言和示例,找到与化学科学最相关的主题。但是,我们无法回避机器学习的基础方法和关键细节,因为了解这些方法的优缺点进而确定最适用的领域知识相当重要。本书将启发读者提出学术领域的机器学习应用问题,同时批判性地解读机器学习相关出版物。我们提供了一些重要的统计结果,但是没有纳入正式的证据,重点强调概念而非技术细节。不过,我们提供了获取细节的参考资料。虽然我们在关键章节提供了多条提示,但是掌握基本单变量微积分和线性代数的理论仍然是理解本书的必要条件。
最后,在阅读本书之时,我们鼓励读者将机器学习和研究领域发生关联并提出问题:在传统理论、计算或实验方法都无效的研究领域,研究人员所面临的严峻挑战是什么?传统上耗时耗力的实验或计算是什么?结构和实验结果之间的哪些复杂关系需要多年的专业经验才能推导出?这些问题的解答突显了机器学习在推动集体研究方面巨大的潜力。
如果您想浏览已经出版的图书的目录,或想了解都有哪些主题的图书即将出版,欢迎前往ACS in Foucs主页https://pubs.acs.org/series/infocus。
扫描二维码
提交您的问题与需求
如果篇首注明了授权来源,任何转载需获得来源方的许可!如果篇首未特别注明出处,本文版权属于 X-MOL ( x-mol.com ), 未经许可,谢绝转载!