利用多种机器学习方法对催化剂性能的综合预测
机器学习（ML）在材料领域应用与材料基因组专题培训班
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。传统的发现新材料的方法，如经验试错法和基于密度泛函理论(DFT)的方法，往往需要较长的研发周期，成本高、效率低，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、量子化学金属合金、环境等诸多领域得到广泛的发展，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
"材料基因组计划"是美国经过信息技术革命后，充分认识到材料革新对技术进步和产业发展的重要作用，以及在复兴制造业的战略背景下提出来的，科研人员都知道材料科学是制造业的基础，而材料的研究又无捷径可走，只能按照规律对各种元素进行排列组合，通过不断的试验来寻找性能更好的新材料。这种研究模式无疑是非常低效率的，而且纯粹靠经验的累积，发达国家在材料科学上已经领先我们数十年的基础上，我们想靠这种方式追赶超对方可以说是希望渺茫，材料基因组融合了材料的高通量计算、高通量制备、高通量检测及数据库系统，材料基因组技术将加速新材料的发现和应用，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。其中,高通量材料实验经过20多年的发展,目前已面向多种形态材料和多种服役性能形成了一系列成功案例,高通量材料计算模拟和材料数据库近几年也取得了较大进展
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”的专题线上培训班，本单位已经举办两期培训，参会人员达150人，对于培训安排和培训质量学员一致评价极高 ，我们也是国内唯一一家从事机器学习（ML）材料领域应用与材料基因组的专业培训单位，培训请一定要认准我们！
一、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、计算化学、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、环境材料、燃烧电池、锂电池、生物材料、聚合物复合材料、能源材料、光电材料、增材制造、催化、亚稳材料、储能材料、催化剂、环境科学、凝聚态物理、电催化材料计算、光伏材料、材料基、高分子材料、数据库等研究的科研人员及机器学习爱好者
二、培训目标（完全适合零基础）
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
并且助力您发Nature、Science、Angew、Advanced Materials、JACS、Nano Letters、ACS Catalysis、Joule、Matter、Energy Storage Materials等顶刊文章！
三、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
四、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。
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.NumPy2.Pandas3.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吸附量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.朴素贝叶斯概率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1.聚类算法实现2.t-SNE实现3.利用聚类方法对材料分类及可视化4.Pymatgen实操项目实操1. 分子结构的表示与特征提取2. 逻辑回归方法对材料分类 |
| 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. 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.利用机器学习方法预测半导体材料物理性质2. Cu基合金的电化学催化性能预测项目实操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催化剂性能的综合预测 |
材料基因组实战应用培训班
| 第一天Python讲解与实操 | 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.函数8.类和对象9.模块实操内容 1. Python科学数据处理1.1 NumPy1.2 Pandas1.3 Matplotlib 2. Scikit-learn机器学习操作入门 |
| 第二天材料基因组与数据库 | 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 1. Pymatgen练习2. Pymatgen获取material project材料数据·3. OQMD数据库3.1 OQMD数据库功能练习3.2 OQMD数据库的数据获取4. AFLOW数据库4.1 AFLOW数据库功能练习4.2 AFLOW数据库的数据获取 |
| 第三天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案例一：（合金材料）基于数据驱动的功能材料开发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 |
| 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：（半导体材料）基于数据驱动的功能材料开发 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：（钙钛矿材料）基于数据驱动的功能材料开发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 |
五、授课时间地点：
机器学习（ML）材料培训时间
2022.07.02 ---2022.07.03全天授课(上午09.00-11.30下午13.30-17.00)
2022.07.05----2022.07.08晚上授课(晚上19.00-22.00)
2022.07.09----2022.07.10全天授课(上午09.00-11.30下午13.30-17.00)
材料基因组实战应用培训时间
2022.07.09----2022.07.10全天授课(上午09.00-11.30下午13.30-17.00)
2022.07.16----2022.07.17全天授课(上午09.00-11.30下午13.30-17.00)
六、联系方式
联系人：杜老师 电话：15238680799
邮箱：m15238680799@163.com 微信/QQ :766728764
七、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）
同时报名两个班8480元 （原价9360元）
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200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
证书：参加培训并通过考试的学员，可以申请获得中国软件行业协会培训中心颁发的全国信息化人才专业技术证书。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。专业技术证书查询网址： http://www. csia-tc.org.cn （自愿申请，须另行缴纳考试费500元/人）
八、培训福利
报名缴费成功赠送机器学习（ML）在材料领域应用基础课程视频和课件，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
九、授课方式
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 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，培训群永不解散