材料科学考研(材料科学考研学校排名)

材料科学考研,材料科学考研学校排名

培训背景

机器学习作为一种兼顾开发效率以及开发成本的方法,已经逐渐应用于材料发现、结构分析、性质预测、反向设计等多个领域,并且在材料学研究中展现出惊人的潜力。以往被广泛使用的经验试错法与计算模拟法因其效率低以及花费高等劣势,已经不能很好的适应如今需求量激增的材料学领域机器学习因其强大的数据处理能力和相对较低的研究门槛,能够有效地降低工业开发中的人力物力成本,缩短研发周期。代替或配合传统的实验以及计算模拟,能够更加快速且准确的分析材料结构、预测材料性质,从而更加有效的开发新的功能材料。机器学习已在材料、纳米材料设计、化学、生物、医药设计、量子化学等诸多领域得到广泛的发展,现有机器学习多为计算机方向,无法快速落地到生化材料方面等科学研究,由于机器学习材料发展缓慢,学习平台文献资料较少,培训学习迫在眉睫, 应广大科研人员要求,郑州卓昂教育科技有限公司经过数月调研,决定联合专家举办“机器学习(ML)在材料领域应用”的专题线上培训班

培训对象

全国各大高校、企业、科研院所从事、纳米材料、化学化工、量子化学、金属合金、非晶新材料、二维材料、钙钛矿、氧化物材料、半导体材料、催化等研究的科研人员及机器学习爱好者

培训目标

让学员能够掌握机器学习在材料研究中的应用背景与流程,以及机器学习,材料分类、材料预测等操作技能,独自完成自己的课题研究项目

培训特色

1、课程特色–全面的课程技术应用、原理流程、实例联系全贯穿

2、学习模式–理论知识与上机操作相结合,让零基础学员快速熟练掌握

3、课程服务答疑–主讲老师将为您实际工作中遇到的问题提供专业解答

培训讲师

主讲老师来自国内高校孙老师授课,老师擅长利用量子化学方法和机器学习方法预测设计并研究新型能源材料、锂离子电池的电极材料,燃料电池催化剂以及燃料电池体系的整体设计,已在Energy & Environmental Science, Angewandte Chemie, Applied Catalysis B: Environmental, Advanced Materials, Journal of Physical Chemistry Letters, Journal Physical Chemistry C,等权威期刊上发表SCI检索论文近40余篇。

课表内容

机器学习(ML)在材料领域应用的专题培训班

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

理论内容:

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

理论内容:

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

项目实操:

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

理论内容:

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

项目实操:

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

理论内容:

(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

项目实操:

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

2022.03.26-2022.03.27 全天授课 (上午09:00-11:30) – (下午13:30-17:00)

2022.03.30-2022.03.31 晚上授课 ( 19:00-22:00)

2022.04.02-2022.04.03 全天授课 (上午09:00-11:30) – (下午13:30-17:00)

(长达五天的培训内容 干货满满 上机实操)

报名费用

公费价:每人每班¥4680元 (含报名费、培训费、资料费)

自费价:每人每班¥4280元 (含报名费、培训费、资料费)

优惠:提前报名缴费学员+转发到朋友圈或者到学术交流群可享受每人400元优惠(仅限15名)

优惠: 报名4人以上包含4人,免费赠送一个培训名额

报名费用可开具正规报销发票及提供相关缴费证明、邀请函,可提前开具报销发票、文件用于费用报销

培训福利

参加本次课程的学员可免费再参加一次本单位后期组织的“机器学习(ML)在材料领域应用的专题培训班(任意一期都可以)赠送本次课程全部的视频录像。

授课方式

通过腾讯会议线上直播,培训采取开麦共享屏幕和微信群解疑,学员和老师交流、学员与学员交流,培训完毕后老师长期解疑

报名咨询请二维码扫描下方微信

电子邮箱:

y13838281574

@163.com

报名电话/微信

对此内容感兴趣可扫描下方图片关注公众号!长期发布各种科研培训,及前沿资讯!

引用往期参会学员的一句话:

发现真的是脚踏实地的同时 需要偶尔仰望星空

非常感谢各位对我们培训的认可! 祝愿各位学业事业有成!

报名参会流程

材料科学考研(材料科学考研学校排名)

想获得更多考研相关资料

京ICP备14027590号