随着计算机科学的发展，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、反向设计等诸多领域，并且在材料学研究中展现出惊人的潜力。然而，机器学习在材料科学中的应用仍存在一些瓶颈。数据集的高效获取、异构型数据集的信息处理、基于轻量化数据集的预测模型建立、材料性能的可靠预测等问题制约着该方向的发展，这些也正是该领域亟
需解决的关键问题，同时也是机器学习在材料结构与性能预测中研究的热点与难点。通过采用支持向量机、神经网络等机器学习算法训练数据集来构建模型，以预测材料的结构、吸附特性、电学特性、催化性能、力学特性和热力学特性等材料性能，大大推动了机器学习在材料科学领域的发展，并且已经取得重要突破。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，利用机器学习指导新型高性能材料合成的案例也比比皆是。近年来，关于机器学习在材料中应用的论文数量逐年增长，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。
材料基因组技术的核心，是通过计算技术、实验技术和数字化数据技术三者的有机结合，加速新材料发现和应用的周期。材料基因组完全是一种新的材料研发思想，其内涵在于革新材料研发理念，突破传统材料科学研究中以大量经验积累和循环试错为特征的
“经验寻优”方式，实现科学化的“系统寻优”；材料基因组实质上是现代信息技术高度发展与材料科学有机相结合高度融合的产物，将现代人工智能与大数据技术应用与材料研发过程，并以此为基础发展材料计算、算法与软件，包括云计算和高通量集成计算。从材料制备、表征和使役行为的研究上，发展了材料芯片和同步辐射光源等大型科学装置利用等高通量实验技术。材料基因组将充分利用现在信息技术手段并发展高通量的材料实验方法与技术，以革新材料科学的研究模式，促进材料科学研究的创新，实现材料设计的目标。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，
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）在材料领域应用与材料基因组”的专题线上培训班，本单位已经举办多期培训，参会人员达500余人，对于培训安排和培训质量学员一致评价极高 ，
本单位
也是国内从事机器学习（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
本单位
！
全
国各大高校、企业、科研院所从事方向为纳米材料、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、道路工程、传递现象与分离工程、机电工程、光热CO2还原、化学转化膜、碳减排、污泥材料、复合板制备、合金、伪装隐身、环境材料、电解质、铁电压电、磁性材料、高分子复合材料、天然气水合物、除湿/防冻/吸收溶液、分析化学、超材料设计、数值模拟、可降解金属材料、特种陶瓷、湿法冶金、集成计算材料设计、铝镁合金、光纤生化传感、纺织材料、光学工程、催化杀菌、金属材料成型等研究的科研人员及机器学习人工智能算法爱好者
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！
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
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 & 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
。
课程一、
机器学习（ML）在材料领域应用的专题培训班
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
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
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.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
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
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
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
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
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
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
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
机器学习（ML）材料培训时间
2022.
10
.
22
-2022.
10
.2
3
（09:00-11:30--13:30-17:00）
2022.
10
.2
5
-2022.
10
.2
8
（19:00-22:00）
2022.
10
.
29
-2022.
10
.
30
（09:00-11:30--13:30-17:00）
材料基因组培训时间
2022.
10
.
29
-2022.
10
.
30
（09:00-11:30--13:30-17:00）
2022.
11
.0
5
-2022.
11
.0
6
（09:00-11:30--13:30-17:00）
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）
同时报名两个班8680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：www.miit-icdc.org（自愿申请，须另行缴纳考试费500元/人）
报名
缴费
成功
赠送机器学习（
ML
）在材料领域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
授课方式及学员反馈
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
往期培训学员对于培训质量和授课方式一致评价极高
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
本单位
培训的认可！
还有许多因为时间冲突没法参加。
这次，诚挚邀请您来参加！
报名咨询请扫描下方微信二维码
电话：13017692038
报名参会流程
非常感谢各位对本单位培训的认可！ 祝愿各位心想事成！
