由英国皇家化学会 (RSC) 出版的『RSC 基础系列』(RSC Foundations) 系列丛书第 8 卷《机器学习在化学中的应用导论》(How to Use Machine Learning in Chemistry: An Introduction) 已于 2026 年 8 月 14 日正式发行。本书由英国牛津大学荣休教授 Hugh M. Cartwright 博士撰写，全书共 13 章 162 页。机器学习和人工智能已经成为科学界的热门话题，但它们究竟是什么？机器如何学习，又该如何把这些方法用于化学领域的问题？本书面向初次接触机器学习的读者，概述其在科学研究中的基本原理与实际用途，帮助读者理解关键术语，以及在研究中应用需要重点考虑的因素。
本书以化学实例为线索，介绍网络及训练机制、化学信息的表征方式和数据问题的处理方法，并着重讨论实际实施以及如何保证应用的稳健性。对于希望将机器学习纳入研究工作的读者而言，本书提供了清晰、实用的入门路径。本书亮点包括：- 面向零基础读者：无需预先掌握机器学习，甚至不要求具备化学背景，以易于理解的方式建立核心概念。
- 从原理走向实践：结合化学实例讲解学习、训练、模型结构、超参数、表征与贝叶斯优化等主题。
- 强调可靠应用：关注训练终止、随机数、数据质量、模型改进与可解释性等影响稳健性的关键问题。
如需购买，欢迎联系 RSCChina@rsc.org 详细信息请见文末 机器学习曾经几乎完全属于计算机科学家的专业领域，物理科学和生命科学研究者偶尔涉足其中，也往往难以发现与自身工作直接相关的内容。然而，在不到十年的时间里，这一局面已发生显著变化，机器学习逐渐发展为成熟的科学工具。
如今，机器学习既功能强大且易上手的工具，已经被广泛用于几乎所有主要科学领域。作为一本入门指南，本书对此进行简要介绍，重点说明机器学习方法的工作原理、如何辅助分析和理解化学数据，以及怎样更有效地使用这些方法。内容围绕科学实践展开，帮助读者建立从基本概念到具体应用的连贯认识。
阅读本书不需要预先掌握机器学习知识，甚至不要求具备化学背景。作者通过循序渐进的讲解降低入门门槛，使来自不同学科的读者都能够理解机器学习的核心思路及其在化学研究中的作用。
全书将重点放在机器学习应用于科学研究时的实际问题，而非深奥的数学原理，力求成为一部易于消化、便于使用的指南，并鼓励读者在掌握基础后进一步探索这一快速发展的领域。
Chapter 1 - 引言
Chapter 2 - 学习与训练
Chapter 3 - 机器学习模型的结构
Chapter 4 - 如何判断训练应当结束？
Chapter 5 - 随机数的多重作用
Chapter 6 - 超参数：如何让优秀模型更进一步
Chapter 7 - 训练为何会失败：几个常见误区
Chapter 8 - 进一步改进模型与数据的方法
Chapter 9 - 表征、描述符与性质
Chapter 10 - 贝叶斯优化
Chapter 11 - 我们能否理解机器学习模型的推理过程？
Chapter 12 - 其他类型的网络
Chapter 13 - 未来展望
Appendix: 问答 - 以及不断演变的趋势
*本书出版时间为 2026 年 8 月 14 日，全书 162 页，平装 ISBN: 978-1-83707-224-8。
如对本书感兴趣，请邮件至 RSCChina@rsc.org 咨询！随信附上书名和编码“RSCChinaWX”可享受微信专属优惠！原版书籍正规引进，开具报销发票，优惠名额有限先到先得！Hugh M. Cartwright 博士，计算化学与物理化学学者，曾长期任教于英国牛津大学物理与理论化学实验室，并曾任职于加拿大维多利亚大学化学系，现已退休。他长期致力于人工智能、机器学习及演化计算在科学研究中的交叉应用，核心研究方向涵盖人工神经网络、遗传算法、模糊系统与细胞自动机，并在分子与材料设计（曾合著发表于 Nature）、高分子性能预测、色谱/质谱数据处理及环境污染物分析等领域取得诸多成果。Cartwright 博士著述颇丰，著有或编有 How to Use Machine Learning in Chemistry、Machine Learning in Chemistry: The Impact of Artificial Intelligence、Artificial Neural Networks 系列及 Applications of Artificial Intelligence in Chemistry 等多部人工智能与化学交叉领域的权威专著与教材。
内容中包含的图片若涉及版权问题，请及时与我们联系删除
评论
沙发等你来抢