机器学习已经成为科研数据分析和材料性质预测的重要工具。无论是吸附能预测、材料筛选、合金催化、MOF分类，还是CO2RR活性预测和STM图像分析，都离不开扎实的机器学习基础。
很多同学入门机器学习时会遇到这些问题：
✅决策树、随机森林、XGBoost、SVM、KNN不知道怎么选✅不会使用Materials Project、matminer等材料数据库✅想进一步学习机器学习电催化或机器学习力场，但基础不牢为了有效降低大家入门机器学习的门槛，华算科技黄老师原创设计了机器学习与材料课程，本课程围绕机器学习基础展开，从简单模型、模型评价、分类算法、回归算法，到高通量筛选、数据库机器学习、集成学习、XGBoost、聚类和机器学习前沿，帮助学员建立完整的数据建模思维，并快速使用到自己的研究之中。
👇👇扫描二维码，立即报名👇👇
👆👆电话：190-0660-1146 👆👆
该课程深受学员欢迎，往期学员评价节选如下：
熔点/有机小分子/MOF/d带中心/合金催化/单原子催化/电极涂层/数据库抓取/体积模量/钢铁强度/CO2RR/钙钛矿/STM图像黄博士：华算科技全职技术专家，武汉大学本科，北京大学博士，新加坡国立大学访问学者。目前已发表SCI文章共20篇，其中第一作者文章5篇，单篇最高影响因子>40。
从事理论计算与实验化学研究工作十二年，擅长使用机器学习进行化学理论的研究及实验数据的处理，曾获华中地区数学建模邀请赛三等奖，北京大学游戏AI对抗全国邀请赛第四名等相关奖项。介绍机器学习概念、机器学习与化学研究的关系，以及机器学习常用库，了解当代化学学习的四个范式。通过简单的化学与材料科学案例熟悉sklearn库，进行简单的机器学习，学习线性、非线性拟合的方法。学习欠拟合与过拟合的概念，掌握模型评价方法并了解其必要性，对各种模型评价方法进行学习与使用。分类算法是机器学习算法中的一个重要算法。本小节将会讲解决策树算法、KNN算法、Bayes算法与支持向量机算法的原理，并使用有机小分子与MOF的案例学习这些常用分类算法的使用。
回归算法作是机器学习在材料科学领域中极为常用的算法，也是机器学习学习的重点之一。围绕d带中心预测，学习双金属d带中心数据集导入、输入输出设置、偏最小二乘回归、核与高斯过程回归、回归结果交叉验证、Pearson相关系数和相关性可视化。
数据库在材料分析中的使用越来越多，本节将介绍常用的材料科学数据库。Materials Project（MP）数据库与matminer数据库是课程介绍的重点。课程将介绍新版MP数据库的使用方法，并结合数据库进行高通量筛选的案例演示，讲解高通量筛选、matminer数据挖掘库、材料性质可视化、高通量筛选样例、高通量计算、机器学习与高通量结合、Materials Project数据库查看和数据抓取。前面小节的内容已完成了机器学习的基本算法学习，此小节将学习近年较为火热的集成学习方法。集成学习由于结果更加精确、稳定、强壮，逐渐成为机器学习的主流算法。本节将学习主要的集成学习方法原理，并使用钢铁强度、CO2RR、钙钛矿案例进行实例学习与演示。聚类算法作为机器学习算法的一种，在材料科学领域也有一定的应用。学习k-means聚类原理、STM图像分析中的k-means聚类、层次聚类原理和STM图像层次聚类。总结机器学习算法，介绍机器学习势、实时AIMD和机器学习程序，为继续学习AI for Science打下基础。主办单位：深圳华算科技有限公司（拥有VASP、Materials Studio、Gaussian、LAMMPS商业版权）
培训形式：线上课程，课程群永不解散，随时提问，及时解答。课程费用：3980元，提供增值税普通发票及邀请函。请提前报名，我们会根据学员课前反馈，适当增加课程内容。
可通过公司微信收款码刷公务卡，请扫码填写报名信息以便我们提前为您准备发票等报销手续。
