讀者可以免費利用作者團隊自主開發的OCPMDM在線計算平臺，構建並分享材料數據挖掘模型，用於虛擬樣本的高通量篩選，加快新材料研發進程。

●第1章 材料數據挖掘綜述0011.1 材料數據挖掘的研究背景0011.1.1 材料數據挖掘與材料設計0041.1.2 材料數據挖掘與材料信息學0061.1.3 材料數據挖掘與材料基因組工程0081.1.4 材料數據挖掘與材料工業優化0111.2 材料數據挖掘方法概要0121.2.1 材料數據挖掘問題的數學表達0131.2.2 材料數據挖掘模型的“過擬合”和“欠擬合”問題0131.2.3 材料數據挖掘的常用方法0151.2.4 材料數據挖掘的基本流程0191.3 材料數據挖掘應用進展0211.4 材料數據挖掘發展趨勢023參考文獻025第2章 回歸分析0292.1 回歸分析方法概論0292.2 線性回歸0302.2.1線性回歸0302.2.2線性回歸0322.2.3 違背基本假設的情況與處理0332.3 嶺回歸0342.4 套索算法0362.5 偏最小二乘回歸0382.6 邏輯回歸040參考文獻042第3章 統計模式識別0433.1 統計模式識別概論0433.2 最近鄰0453.3 主成分分析0463.4 多重判別矢量和費歇爾判別矢量0483.5 非線性映照0523.6 模式識別應用技術0533.6.1 很好投影識別0543.6.2 超多面體建模0563.6.3 逐級投影建模0563.6.4 很好投影回歸0583.6.5 模式識別逆投影061參考文獻062第4章 決策樹0634.1 決策樹概論0634.2 決策樹0644.3 隨機決策樹0664.4 隨機森林0674.5 梯度提升決策樹0694.6 極限梯度提升算法0714.7 快速梯度提升算法074參考文獻076第5章 聚類方法0775.1 k均值聚類方法0775.2 噪聲密度聚類方法0785.3 評估指標079參考文獻081第6章 人工神經網絡0826.1 反向人工神經網絡0836.2 Kohonen自組織網絡085參考文獻086第7章 遺傳算法和遺傳回歸0877.1 遺傳算法0877.2 遺傳回歸089參考文獻092第8章 支持向量機方法0948.1 統計學習理論簡介0958.1.1 背景0958.1.2 原理0958.2 支持向量分類算法0978.2.1 線性可分情形0978.2.2 非線性可分情形0988.3 支持向量機的核函數0998.4 支持向量回歸方法1018.4.1 線性回歸情形1018.4.2 非線性回歸情形1028.5 支持向量機分類與回歸算法的實現1038.6 應用前景104參考文獻105第9章 集成學習方法1079.1 集成學習算法概述1079.2 Boosting算法1109.3 AdaBoost算法1119.4 Bagging算法113參考文獻114第10章 特征選擇方法和應用11610.1 特征變量篩選方法概論11610.2 過濾式11810.2.1 方差選擇法11810.2.2 相關繫數法11810.2.3 優選信息繫數11910.2.4 優選相關最小冗餘12010.2.5 卡方檢驗12110.2.6 Relief12110.3 封裝式12210.3.1 全局很優搜索12210.3.2 啟發式搜索12310.3.3 隨機搜索12410.4 嵌入式12410.5 小結125參考文獻126第11章 材料數據挖掘在線計算平臺12811.1 材料數據挖掘在線計算平臺技術簡介12811.1.1 OCPMDM平臺架構12911.1.2 OCPMDM平臺技術簡介13011.1.3 分布式計算簡介與使用13111.2 材料數據挖掘在線計算平臺功能介紹13211.2.1 機器學習算法13311.2.2 材料描述符填充13411.2.3 數據特征篩選13411.2.4 智能建模13511.2.5 鈣鈦礦材料高通量虛擬篩選13511.2.6 模型分享13511.3 材料數據挖掘在線計算平臺應用案例13611.3.1 數據來源13611.3.2 研究流程13711.3.3 結果與討論13711.4 小結145參考文獻146第12章 鈣鈦礦型材料的數據挖掘14812.1 鈣鈦礦型材料數據挖掘概論14812.2 鈣鈦礦型材料居裡溫度的數據挖掘14912.2.1 數據集15012.2.2 特征變量篩選15112.2.3 參數優化15212.2.4 模型的評價15412.2.5 模型的檢驗15612.2.6 虛擬篩選15612.3 鈣鈦礦型材料比表面積的數據挖掘15812.3.1 數據集15912.3.2 特征變量篩選16012.3.3 SVR模型的建立與留一法檢驗16212.3.4 與其他算法的結果比較16512.3.5 SVR外部測試集驗證16512.3.6 高通量篩選16712.3.7 模型分享16912.3.8 模型的模式識別解釋16912.3.9 模型的敏感性分析17012.4 小結172參考文獻173第13章 染料敏化太陽能電池材料的數據挖掘17613.1 概述17613.1.1 染料敏化太陽能電池17613.1.2 染料敏化劑及其數據挖掘研究現狀17713.1.3 N-P類敏化劑研究現狀17913.2 N-P類敏化劑的數據挖掘17913.2.1 數據集與特征變量的計算18013.2.2 特征變量的篩選和建模18113.2.3 模型的驗證18413.3 分子設計與性能預報18513.3.1 特征變量的解釋18513.3.2 分子設計與PCE預報18713.4 量化驗證18913.4.1 計算方法18913.4.2 電子結構19113.4.3 吸收光譜19413.4.4 染料和TiO2絡合物19513.4.5 綜合效率19613.5 小結199參考文獻200第14章 高分子材料的數據挖掘20414.1 概述20414.1.1 高分子材料數據挖掘研究現狀20514.1.2 高分子指紋描述符20614.2 高分子材料設計算法20714.2.1 遺傳算法20714.2.2 貝葉斯算法20814.3 高分子禁帶寬度的數據挖掘21014.3.1 研究背景21014.3.2 數據集21014.3.3 DFT方法探索21114.3.4 特征變量篩選21214.3.5 模型篩選21214.3.6 SVC模型的建立與驗證21514.3.7 特征相關性分析21614.3.8 特征敏感性分析21814.3.9 模型分享21914.3.10 分子設計21914.4 小結221參考文獻221第15章 基於數據挖掘的氟橡膠門尼黏度優化控制22315.1 研究背景22315.2 研究思路22515.3 研究內容22515.4 氟橡膠生產優化控制軟件BDMOS介紹22715.5 BDMOS軟件具體功能22815.5.1 數據導入22815.5.2 統計信息23015.5.3 變量重要性分析23415.5.4 數據挖掘模型23415.6 氟橡膠簡介23915.7 氟橡膠生產數據挖掘24215.7.1 數據集收集24215.7.2 模型建立24515.7.3 模型檢驗24615.8 小結248參考文獻249索引250

《材料數據挖掘方法與應用》詳細介紹了材料數據挖掘的研究背景、常用方法、具體步驟和作者團隊自主開發的在線計算平臺OCPMDM（online computation platform for materials data mining，http:/materials-data-mining.com/ocpmdm/）的應用，重點闡述了OCPMDM在線計算平臺在材料設計（鈣鈦礦型材料、染料敏化太陽能電池材料等）和化工優化（氟橡膠工藝優化等）中的應用。本書方便讀者學以致用，讀者可以免費利用OCPMDM軟件平臺，構建並分享材料數據挖掘模型，用於虛擬樣本的高通量篩選，加快新材料研發進程。本書可供材料科學與工程等相關領域科研人員和工程技術人員閱讀，亦可作為高等院校材料數據挖掘研究方向師生的教學參考書。

陸文聰、李敏傑、紀曉波著 著