培训对象
培训目标
培训特色
培训讲师
课表内容
第一天
机器学习与材料/化学
理论内容:
一、机器学习与材料/化学
1. 机器学习概述
2. 材料与化学中的常见机器学习方法
3. 应用前沿
二、Python基础
1. 开发环境搭建
2. 变量和数据类型
3. 列表
4. if语句
5. 字典
6. For和while循环
7. 定义函数
8. 从文件中读取数据
三、Python科学数据处理
1. NumPy
2. Pandas
3. Matplotlib
实操内容:
1. Python基础语法(开发环境搭建变量,数据类型,列表,if语句,字典,For和while循环,函数,从文件中读取数据)
2. Numpy
3. Pandas
4.Matplotlib
第二天
机器学习材料与化学应用
一、线性回归
1. 原理和类别
2. 应用
二、K近邻方法(KNN)
1. 无监督最近邻
2. 最近邻分类
3. 最近邻回归
三、神经网络
1. 神经网络原理
2. 多层感知器
3. 分类
4. 回归
四、机器学习材料与化学应用的典型步骤
1. 数据采集和清洗
2. 特征选择和模型选择
3. 模型训练和测试
4. 模型性能评估和优化
五、模型性能的评估方法
1. 交叉验证:评估估计器的性能
2. 分类性能评估
3. 回归性能评估
项目实操:
1. 利用线性回归方法预测合金性能
2. 利用KNN方法对MOF材料分类
3.利用神经网络预测电化学催化剂的催化性
第三天
机器学习在材料与化学领域面临的挑战与应对策略
一、 朴素贝叶斯概率
1. 原理解析
2. 模型应用
二、决策树
1. 决策树的原理
2. 决策树分类
3. 决策树回归
4. 决策树算法
三、随机森林
1. 模型原理详解
2. 模型的应用
四、机器学习在材料与化学领域面临的挑战与应对策略
1. 训练数据集不足
2. 训练数据不具有代表性
3. 低质量的数据
4. 无关特征
5. 过拟合训练数据
6. 欠拟合训练数据
1. 用随机森林方法预测大孔材料对CO2吸附量
2. 用决策树判断半导体材料类型
第四天
利用支持向量机预测钙钛矿材料性能
一、支持向量机
1. 分类
2. 回归
3. 核函数
二、逻辑回归
1. 原理
2. 使用方法
三、无监督学习
1. 什么是无监督学习
2. 无监督学习使用的场景
3. 无监督算法——聚类
4. 无监督算法——降维
1. 利用支持向量机预测钙钛矿材料性能
2. 利用聚类方法对材料分类及可视化
第五天
材料与化学数据的特征工程
(一) 材料与化学数据的特征工程
1. 结构表示
1.1 SMILES
1.2 SELIES
1.3 图神经网络
2. 类别型特征处理方法
2.1序号编码
2.2独热编码
2.3二进制编码
2.4PCA方法
(二) 数据库
1. 材料数据库介绍
2. Pymatgen介绍
1. 分子结构的表示
2. Pymatgen和Materials project使用训练
3. 利用多种机器学习方法对氧化物材料性质的综合预测
部分案例图片
授课时间地点
报名费用
培训福利