课程一：机器学习(ML)在材料的应用
课程二：材料基因组实战
机器学习(ML)在材料的应用：面对巨大的材料设计空间,基于理论研究、实验分析以及计算仿真的传统方法已经跟不上高性能新材料的发展需求。近年来，机器学习与材料基因组的结合带动了材料信息学的进步,推动了材料科学的发展。当前,运用数据驱动的机器学习算法建立材料性能预测模型,然后将其应用于材料筛选与新材料开发的研究引起了学者们的广泛关注。利用机器学习框架搭建材料研究设计平台对材料大数据资源进行分析与预测,成为开发新型材料的重要手段。包括根据预测对象确定材料特征的计算或自动抽取,不同精度的实验与计算数据的获取与预处理;选取或者开发合适的机器学习预测模型和训练算法;估计预测效果与预测性能的可靠性;处理材料机器学习问题所独有的小数据、异构数据、非平衡数据等特性。目前研究的焦点是针对不同的材料性能,收集相关的数据集,基于物理原理构造特征表示来训练机器学习模型,并将机器学习的最新技术用于材料信息学。现阶段机器学习已经被应用于光伏、热电、半导体、有机材料等几乎所有的材料设计领域。通过采用机器学习算法训练材料性能的预测模型,并将其用于筛选现有材料数据库或者搜索新的材料,大大加快了新材料发现的过程。机器学习在材料科学的研究应用文章近两年来多次发表在Nature、Science、Angew、Advanced Materials、JACS、Nano Letters、ACS Catalysis、Joule、Matter、Energy Storage Materials等国际知名顶刊。例如最近德国马普钢铁研究所韦业博士与Dierk Raabe教授（共同通讯）联合提出了一种主动学习策略，以基于非常稀少的数据，在几乎无限的成分空间中加速高熵因瓦合金的设计。该研究方法是一个闭环，将机器学习与密度泛函理论、热力学计算和实验相结合。研究人员首先使用了699种合金的公开数据训练了学习算法，然后让算法生成大量具有低热系数的候选成分，在加工和表征了17种可能的新合金后，研究人员确定了两种热膨胀系数极低的高熵因瓦合金（在300 K下为约为2×10-6 K-1）。文献链接：Machine learningenabled highentropy alloydiscovery ( Science 2022, 378, 78-85) 。 剑桥大学的Angelos Michaelides团队在这一领域取得了突破，他们利用量子蒙特卡洛(QMC)方法(分子材料最精确的第一性原理方法之一)来确定所研究系统最合适的DFT泛函，从而避免了计算中的精度和成本之间的权衡，并且开发了一种机器学习算法(MLPs)，以低得多的成本预测DFT所算得的能量变化（Nature,2022,609,512–516）。华盛顿大学David Baker教授团队一年连发三篇Science，超越AlphaFold，利用AI技术创造新蛋白质！（Science, 2022, 377(6604): 387-394.，Science, 2022, 377(6604): 387-394.，Science，2022，DOI: 10.1126/science.add2187）。 2022年10月6日
材料基因组实战：材料基因组技术是近年来兴起的材料研究新理念和新方法,是当今世界材料科学与工程领域的最前沿。材料基因组技术的实质是通过融合高通量材料计算设计、高通量材料实验和材料数据库三大组成要素,构建材料设计研发的协同创新网络,加速新材料从发现到应用的全过程。材料基因组计划的核心理念,是通过计算、数据和实验"三位一体"的方式,变革传统的主要基于经验和实验的"试错法"材料研发模式,把发现、开发、生产和应用新材料的速度提高到目前的两倍。它旨在建立一个新的以计算模拟和理论预测优先、实验验证在后的新材料研发文化,从而取代现有的以经验和实验为主的材料研发的模式。
由于机器学习材料与材料基因组研究发展缓慢，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，本单位经过数月调研，决定联合专家举办“机器学习（ML）在材料领域应用与材料基因组实战”的专题线上培训班，本单位已经举办多期培训，参会人员达上千余人，对于培训安排和培训质量学员一致评价极高 ，我们也是国内从事机器学习（ML）材料领域应用与材料基因组实战的专业培训单位，培训请一定要认准我们！
授课专家
机器学习（ML）在材料研究中的应用，让学员能够掌握学习理论知识及熟悉代码实操，文章的复现，学会anaconda、Python、pymatgen等软件、以及机器学习数据采集及清洗、分子结构表示及提取、模型训练和测试、性能评估及优化，KNN、线性回归方法，学会机器学习材料预测，材料分类，材料可视化，多种机器学习方法综合预测等操作技能，独自完成自己的课题研究项目
材料基因组实战应用，让学员能够掌握Python实操、材料基因组设计、材料数据库、OQMD数据库、AFLOW数据库、高通量计算、通过多个实例掌握基于数据驱动的功能材料开发
课程一：机器学习(ml)在材料的应用
第一天
机器学习在材料与化学常见的方法
理论内容
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
实操内容
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
实操内容
Python基础（续）
1.函数
2.类和对象
3.模块
Python科学数据处理
1.NumPy
2.Pandas
3.Matplotlib
第二天
机器学习材料与化学应用
理论内容
1.线性回归
1.1 线性回归的原理
1.2 线性回归的应用
2. 逻辑回归
2.1原理
2.2 使用方法
3. K近邻方法（KNN）
3.1 KNN分类原理
3.2 KNN分类应用
4. 神经网络方法的原理
4.1 神经网络原理
4.2神经网络分类
4.3神经网络回归
实操内容
1.线性回归方法的实现与初步应用（包括L1和L2正则项的使用方法）
2.逻辑回归的实现与初步应用
3.KNN方法的实现与初步应用
4.神经网络实现
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
这两个实操项目同时穿插讲解如下内容
1. 机器学习材料与化学应用的典型步骤
1.1 数据采集和清洗
1.2 特征选择和模型选择
1.3 模型训练和测试
1.4 模型性能评估和优化
第三天
1. 用随机森林方法预测大孔材料对CO２吸附
2.用决策树判断半导体材料类型
理论内容
1．决策树
1.1决策树的原理
1.2决策树分类
2．集成学习方法
2.1集成学习原理
2.2随机森林
2.3Bosting方法
3.1原理解析
3.2 模型应用
4. 支持向量机
4.1分类原理
4.2核函数
实操内容
1.决策树的实现和应用
2.随机森林的实现和应用
3.朴素贝叶斯的实现和应用
4.支持向量机的实现和应用
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
这两个实操项目同时穿插讲解如下内容
1.模型性能的评估方法
1.1 交叉验证：评估估计器的性能
1.2 分类性能评估
1.3 回归性能评估
第四天
利用聚类方法对材料分类及可视化
理论内容
1. 无监督学习
1.1 什么是无监督学习
1.2 无监督算法——聚类
1.3 无监督算法——降维
2. 材料与化学数据的特征工程
2.1分子结构表示
2.2 独热编码
3. 数据库
3.1.材料数据库介绍
3.2.Pymatgen介绍
实操内容：
Pymatgen和material project实操
项目实操：
1. 利用支持向量机预测无机钙钛矿材料性能
2. 利用神经网络预测电化学催化剂的催化性能
第五天
1.向量机预测无机钙钛矿材料性能
2.神经网络预测电化学催化剂的催化性能
项目实操：
1. 分子结构的表示与特征提取
2. 聚类、降维等无监督学习方法应用于分子特征处理
项目实操
1. 利用机器学习方法预测有机无机杂化钙钛矿材料性能
2. CO2电化学还原催化剂性能预测的综合实训
第六天
1.机器学习方法预测半导体材料物理性质
2.多种机器学习方法综合预测
项目实操：
１. 逻辑回归预测钙钛矿性质
2. 基于分子特征的无监督学习综合应用
项目实操：
1. 利用多种机器学习方法对氧化物材料性质的综合预测
2. 利用多种机器学习方法对材料类型多分类的综合预测
课程二：材料基因组实战专题
（第一天）
Python讲解与实操
理论内容：
1.材料基因组概述
2.材料基因组的基本方法
3.材料数据库material project, OPMD, AFLOW
实操内容 ：
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
实操内容 ：
Python基础（续）
1.函数
2.类和对象
3.模块
4.Python科学数据处理
5.NumPy
6.Pandas
7.Matplotlib
（第二天）
材料基因组与数据库
实操内容：
1. Scikit-learn机器学习操作入门（约1小时）
2. AFLOW数据库
2.1 AFLOW数据库功能练习
2.2. AFLOW数据库的数据获取
实操内容 ：
1. OQMD数据库
1.1 OQMD数据库功能练习
1.2 OQMD数据库的数据获取
2. material project数据库
2.1 Pymatgen练习
2.2 Pymatgen获取material project材料数据
（第三天）
结构数据驱动的高通量计算
实操和演示内容：
基于结构数据驱动的高通量计算：
1. pymatgen大批量结构获取
2. 基于pymatgen的计算文件生成
3. 大批量计算结果的获取与统计
实操内容：
案例一：基于数据驱动的功能材料开发（合金材料）
1. 背景介绍
2. 数据获取
3. 构建特征
4. 机器学习
5. 讨论与评测
穿插常见机器学习算法的介绍
（第四天）
基于数据驱动的多个功能材料开发案例实操
案例二：基于数据驱动的功能材料开发（半导体材料）
1. 背景介绍
2. 数据获取
3. 构建特征
4. 机器学习
5. 讨论与评测
穿插材料特征工程的介绍
案例三：基于数据驱动的功能材料开发（钙钛矿材料）
1. 背景介绍
2. 数据获取
3. 构建特征
4. 机器学习
5. 讨论与评测
部分案例图片
机器学习（ML）材料培训时间
2023.04.22-----2023.04.23全天授课 (上午09.00-11.30 下午13.30-17.00)
2023.04.25-----2023.04.28晚上授课 (晚上19.00-22.00)
2023.05.06-----2023.05.07全天授课 (上午09.00-11.30 下午13.30-17.00)
材料基因组实战时间
2023.05.06-----2023.05.07全天授课 (上午09.00-11.30 下午13.30-17.00)
2023.05.13-----2023.05.14全天授课 (上午09.00-11.30 下午13.30-17.00)
（腾讯会议直播上课 提供录像回放 录像永久观看）
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￥4380 元 （含报名费、培训费、资料费）
优惠政策
优惠一：两班同报：9080 (原价：9360）
优惠二：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200元优惠（仅限15名）
优惠三：同时报名两个课程即可赠送往期“CP2K-从头计算和分子动力学”专题视频）
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、文件用于报销
证书：参加培训并通过考试的学员，可以申请获得工业和信息化部工业文化发展中心颁发的“工业强国建设素质素养提升尚工行动”岗位能力适应评测证书。该证书可在中心官网查询，可作为能力评价，考核和任职的重要依据。评测证书查询网址：
报名缴费成功后赠送机器学习（ML) 在材料领域的应用或者材料基因组课程视频和课件（根据所报班型提供相应学习视频），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）在材料领域应用与材料基因组”相同的专题培训班（任意一期都可以）。课后学习完毕提供全程录像视频回放，发送全部课件资料及数据PPT，长期答疑，微信解疑群永不解散
通过腾讯会议线上直播，理论+实操的授课模式，老师手把手带着操作，从零基础开始讲解，400余页电子PPT和教程+预习视频开课前一周提前发送给学员，所有培训使用软件都会发送给学员，有什么疑问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，培训群不解散，往期培训学员对于培训质量和授课方式一致评价极高
腾讯会议微信解疑群问题实时解答
（二）学员对培训非常认可，而且我们保证二次学习是免费的
有来自常州大学、电子科技大学、中国科学院大学、新疆工程学院、重庆医科大学、西安石油大学、北京交通大学、中国石油大学（北京）、江苏师范大学、哈尔滨理工大学、东北林业大学、暨南大学、南昌航空大学、浙江大学、青岛大学、山东科技大学、厦门大学、哈尔滨工业大学（深圳）、汕头大学、东北大学、北京航空航天大学、陆军工程大学、天津大学、南阳师范学院、香港大学、温州大学、江苏大学、燕山大学、东华理工大学、武汉工程大学、新疆大学、太原理工大学、华北电力大学、四川大学、广州大学、重庆大学、材料科学姑苏实验室、深圳大学、北京化工大学、燕山大学、西南石油大学、香港科技大学（广州）、厦门大学、东北大学、北京理工大学、南京航空航天大学、中国科学院青岛生物能源与过程研究所、香港城市大学、西安科技大学、厦门理工学院、中国科学院上海硅酸盐研究所、西湖大学中国核动力研究设计院、有研工程技术研究院有限公司、中南大学、福州大学、东风汽车集团股份有限公司乘用车公司、中国科学院金属研究所、贵州大学、上海大策资产管理有限公司、交通运输部公路科学研究所、贝卡尔特（中国）技术研发有限公司、云南大学、哈尔滨工业大学、西安电子科技大学、郑州大学、中国农业大学、滑铁卢大学、重庆理工大学、北京机科国创轻量化科学研究院、中国科学院深圳先进技术研究院、中原工学院、清华大学、中国科学院兰州化学物理研究所、University of Maryland、北京工业大学、安徽财经大学、中国科学与技术大学、商丘师范学院、宝理工程塑料贸易有限公司、中材科技股份有限公司、湖南工商大学、武汉大学、安庆师范大学、广东省科学院生态环境与土壤研究所、南昌航空大学、泉州师范学院、华中科技大学、南京大学、南京工业大学、吉林大学、深圳职业技术学院、西北工业大学、华东师范大学、山东大学、中国科学院空间应用工程与技术中心、中国科学技术大学、嘉兴学院、陕西师范大学、中国科学院上海硅酸盐研究所 、北京石油化工学院、重庆第二师范学院、武汉光钜、上海锦湖日丽塑料有限公司、首都医科大学宣武医院、沈阳工业大学、北京工商大学、中国科学院化学研究所、中创新航技术研究院（江苏）有限公司、中国科学院国家纳米科学中心、KAUSTuniversity、长春应用化学研究所、诺贝丽斯（中国）铝制品有限公司上海分公司、钢铁研究总院、万华化学集团股份有限公、四川奥林涂料工业有限公司、深圳市祥龙琪瑞科技有限公司、隆基乐叶光伏科技（西咸新区）有限公司、Imperial College London、中国航空制造技术研究院、苏州华碧微科检测技术有限公司、MIT、南开大学、防化研究院、中国科学院工程热物理研究所、广东工业大学、陆军装甲兵学院、南方科技大学、上海交通大学、国防科技大学、西安交通大学、中国科学院长春应用化学研究所、卢森堡大学、中国科学院力学研究所、东南大学、宁波大学、厦门工学院、昆明理工大学、Vanderbilt University、之江实验室、上海理工大学；、浙江生材新技术有限公司、中北大学、安徽工程大学、深圳华大生命科学研究院、深圳市宇阳科技发展有限公司、上海大学、中国人民解放军火箭军工程大学、井冈山大学、中国科学院赣江创新研究院、University of Stavanger、东莞市佳仕达冶金材料有限公司、同济大学、西南大学、中国工程物理研究院化工材料研究所、The University of Queensland、澳大利亚昆士兰大学、中石化（大连）石油化工研究院有限公司、重庆交通大学、北京环境特性研究所、中国科学院海西研究院、香港城市大学深圳福田研究院、天津理工大学等单位，感谢对我们培训的认可！还有许多因为时间冲突没法参加。这次，我们诚挚邀请您来参加！
联系人：苗老师
联系方式：
QQ：2929430477
电话：17639649440（微信同号）
引用往期参会学员的一句话：