دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش: نویسندگان: Bouman. Charles Addison, De Graef. Marc, Drummy. Lawrence F., Simmons. Jeffrey P سری: ISBN (شابک) : 9781315121062, 1351637878 ناشر: CRC Press سال نشر: 2019 تعداد صفحات: 537 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 114 مگابایت
کلمات کلیدی مربوط به کتاب روش های آماری برای علم مواد: علم داده مشخصه ریزساختار: علم مواد،مدل های ریاضی،علوم مواد،روش های آماری،تکنولوژی و مهندسی / مهندسی (عمومی)، فناوری و مهندسی / مرجع، فناوری / علم مواد، علوم / فیزیک حالت جامد، ریاضیات / احتمالات و آمار عمومی
در صورت تبدیل فایل کتاب Statistical methods for materials science: the data science of microstructure characterization به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب روش های آماری برای علم مواد: علم داده مشخصه ریزساختار نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
تجزیه و تحلیل داده ها به بخشی جدایی ناپذیر از علم مواد تبدیل
شده است. این کتاب ابزارها و مبانی عملی مورد نیاز برای محققان در
علم مواد را فراهم میکند تا بفهمند چگونه مجموعه دادههای بزرگ
را با استفاده از روشهای آماری، بهویژه روشهای معکوس بکار رفته
در مشخصسازی ریزساختار تجزیه و تحلیل کنند. این شامل راهنمایی
های ارزشمند در مورد موضوعات ضروری مانند حذف نویز و مدل سازی
داده ها است. علاوه بر این، بخش تحلیل و برنامههای کاربردی
به روشهای سنجش
فشرده، مدلهای تصادفی، تخمین شدید و رویکردهای تشخیص الگو
میپردازد. ادامه
مطلب...
چکیده: تجزیه و تحلیل داده ها به بخشی جدایی ناپذیر از علم مواد
تبدیل شده است. این کتاب ابزارها و مبانی عملی مورد نیاز برای
محققان در علم مواد را فراهم میکند تا بفهمند چگونه مجموعه
دادههای بزرگ را با استفاده از روشهای آماری، بهویژه روشهای
معکوس بکار رفته در مشخصسازی ریزساختار تجزیه و تحلیل کنند. این
شامل راهنمایی های ارزشمند در مورد موضوعات ضروری مانند حذف نویز
و مدل سازی داده ها است. علاوه بر این، بخش تحلیل و کاربردها به
روشهای سنجش فشرده، مدلهای تصادفی، تخمین شدید و رویکردهای
تشخیص الگو میپردازد.
Data analytics has become an integral part of materials
science. This book provides the practical tools and
fundamentals needed for researchers in materials science to
understand how to analyze large datasets using statistical
methods, especially inverse methods applied to microstructure
characterization. It contains valuable guidance on essential
topics such as denoising and data modeling. Additionally, the
analysis and
applications section addresses compressed sensing methods,
stochastic models, extreme estimation, and approaches to
pattern detection. Read
more...
Abstract: Data analytics has become an integral part of
materials science. This book provides the practical tools and
fundamentals needed for researchers in materials science to
understand how to analyze large datasets using statistical
methods, especially inverse methods applied to microstructure
characterization. It contains valuable guidance on essential
topics such as denoising and data modeling. Additionally, the
analysis and applications section addresses compressed sensing
methods, stochastic models, extreme estimation, and approaches
to pattern detection
Content: Cover
Half Title
Title Page
Copyright Page
Contents
Preface
About the Editors
Contributors
I Introduction
1 Materials Science vs. Data Science
II Emerging Data Science in Microstructure Characterization
2 Emerging Digital Data Capabilities
2.1 Introduction
2.2 Benefits of Large Data Volumes
2.3 Challenges of Large Data Volumes
2.4 Emerging Techniques
2.4.1 Multi-Instrument Coordination
2.4.2 Upstream Data Analysis
2.4.3 Data Mining
2.4.4 Data Curation
2.5 Conclusions
3 Cultural Differences
3.1 What Makes Modern Image Processing So Modern? 3.2 Language of Image Processing3.2.1 Notational Differences
3.2.1.1 Sets
3.2.1.2 Operations on Sets
3.2.1.3 Computations on Sets
3.2.2 Bayesian Probability and Image Processing
3.2.2.1 Modern Probability and Sets
3.2.2.2 Foundational Rules of Modern Probability
3.2.2.3 Mathematical Constructs
3.2.2.4 Bayesian Probability in Image Processing
3.3 Language of Materials Science
3.3.1 Thermodynamic Phases
3.3.2 Free Energies
3.4 Concluding Remarks
4 Forward Modeling
4.1 What Is Forward Modeling?
4.1.1 What Are the Unknowns in Materials Characterization? 4.1.2 A Schematic Description of Forward Modeling4.2 A Brief Overview of Electron Scattering Modalities
4.3 Case Studies
4.3.1 Electron Backscatter Diffraction
4.3.1.1 BSE Monte Carlo Simulations
4.3.1.2 Dynamical Scattering Simulations
4.3.1.3 Detector Parameters
4.3.2 Lorentz Vector Field Electron Tomography
4.3.2.1 Lorentz Forward Model
4.3.2.2 Electron Wave Phase Shift Computations
4.3.2.3 Example Lorentz Image Simulation
4.4 Summary
5 Inverse Problems and Sensing
5.1 Introduction
5.2 Traditional Approaches to Inversion
5.3 Bayesian and Regularized Approaches to Inversion 5.4 Why Does Bayesian Estimation Work?5.5 Model-Based Reconstruction
5.6 Successes and Opportunities of Bayesian Inversion
III Inverse Methods for Analysis of Data
6 Model-Based Iterative Reconstruction for Electron Tomography
6.1 Introduction
6.2 Model-Based Iterative Reconstruction
6.3 High-Angle Annular Dark-Field STEM Tomography
6.3.1 HAADF-STEM Forward Model
6.3.2 Prior Model
6.3.3 Cost Function Formulation and Optimization Algorithm
6.3.4 Experimental Results
6.3.4.1 Simulated Dataset
6.3.4.2 Experimental Dataset
6.4 Bright-Field Electron Tomography 6.4.1 BF-TEM Forward Model and Cost Function Formulation6.4.1.1 Generalized Huber Functions for Anomaly Modeling
6.4.1.2 MBIR Cost Formulation
6.4.2 Results
6.4.2.1 Simulated Dataset
6.4.2.2 Real Dataset
6.5 Future Directions
6.6 Conclusion
7 Statistical Reconstruction and Heterogeneity Characterization in 3-D Biological Macromolecular Complexes
7.1 Introduction
7.2 Statistical 3-D Signal Reconstruction of Macromolecular Complexes
7.2.1 Introduction
7.2.2 Statistical Model
7.2.3 Relationship between the Moments of the Weights and the Moments of the Electron Scattering Intensity