机器学习导论
学习目标:对机器学习基本概念进行介绍,让大家对机器学习基本概念有大致
了解。明确机器学习方法的适用性,优势,以及局限性等
什么是机器学习
机器学习的应用实例
机器学习在材料领域的应用
python语言基础
学习目标:机器学习主流实现是python语言。学习机器学习之前,有针对性的对python进行系统的学习,以方便将来开展机器学习的学习
python安装与开发环境的搭建
基本数据类型、组合数据类型
函数、列表 、元组、字典、集合
控制结构、循环结构
Numpy模块——矩阵的科学计算
Matplotlib模块——数据处理与绘图
深度学习神经网络
学习目标:从零开始手动实现一个神经网络,在这一过程中对所涉及的原理进行系统讲解及实践,让大家能够更深刻的理解算法背后的原理以及实现方法,之后有利于对其他机器学习更全面快速掌握
logistic 回归与损失函数
梯度下降法与导数
计算图的导数计算
logistic 回归中的梯度下降法
向量化 logistic 回归的梯度输出
神经网络的梯度下降法
深层网络中的前向传播
深度学习框架——Pytorch的使用
案例实践教学一:神经网络在催化中的应用——CO2 还原
经典机器学习模型及应用
学习目标:对在材料领域中最常使用的几种机器学习模型进行介绍,总结它们的优缺点及适用范围,通过动手实践快速掌握几种方法
线性模型(线性回归、梯度下降、正则化、回归的评价指标)
决策树(决策树原理、ID3 算法、C4.5 算法、CART算法)
支持向量机(线性支持向量机、可分支持向量机、不可分支持向量机)
集成学习(AdaBoost和GBDT算法、XGBoost算法、LightGBM算法)
模型选择与性能优化(数据清洗、特征工程、数据建模)
Scikit-learn机器学习库的使用
案例实践教学二:利用集成学习方法预测杂化钙钛矿的带隙
案例实践教学三:利用集成学习实现有机太阳能电池材料快速筛选
材料基因工程入门与实战
学习背景:材料基因工程是当下流行的材料研究新范式,相较于传统试错方法,材料基因以大数据为基础,利用人工智能方法从中提取出关键的构效关系,摆脱了对理化直觉的强依赖及高昂的筛选成本,可以实现高效的高通量材料筛选。
学习目标:从数据库出发,对材料领域常见的数据库进行介绍,之后学习如何利用ASE,pymatgen等软件包批量构建及处理数据集,以及对材料进行特征选择。讲解常见的材料结构表示方法及编码,以及机器学习模型的评估与利用
材料基因组概述、材料基因组的基本方法
常见材料数据库介绍
Material Project数据库、Pymatgen
OQMD数据库、AFLOW数据库数据获取与使用
COMPUTATIONAL MATERIALS REPOSITORY数据库与ASE
自定义材料数据集的构建
材料化学的特征工程
特征选择(过滤特征、包装到其他评估或集成到训练)
基于sklearn的python实现
案例实践教学四:(包含以下内容)
团簇数据库中平均形成能最低的结构数据库的构建
利用MP数据库构建同素异形体结构的mongodb数据库
利用Pymatgen对原子性质进行分析
利用ASE+Dscribe生成材料指纹和势函数
描述符的向量化生成与特征的保存/读取,特征预处理
模型性能评估(分类性能、回归性能评估、统计交叉验证)和优化
(拓展)学习计算材料学领域与特征选择高级相关算法:SISSO
图神经网络入门及实践
学习目标:图神经网络是在科学领域最为火热的研究领域。由于化学结构与图论有着天然的适配性,相较于其他模型,图神经网络在材料化学领域更为擅长。在这一部分我们会对图神经网络进行系统的讲解,学习常见的图神经网络架构,实践图神经网络在部分材料中的应用
图论简单入门、图神经网络概念介绍
化学与材料领域经典的图神经网络架构——CGCNN与Schnet
图神经网络在材料中应用的实践
自定义图的实现:第三方依赖 - PyG 图卷积层:GCNConv
案例实践教学五:利用图神经网络CGCNN预测无机材料的性能
案例实践教学六:利用Schnet实现对分子理化性质的预测
机器学习+Science
学习目标:机器学习领域前沿内容,让大家了解最新的材料科学与机器学习领域的研究动态,同时介绍几种更为先进的机器学习算法
强化学习在材料优化问题中的应用
主动学习框架的在科学问题中的实现
生成模型在材料设计中的应用与挑战
Transformer应用——以AlphaFold2 为例
应用实例包含以下内容:
案例实践教学七:多种机器学习模型对量子点发光材料色温的预测
案例实践教学八:利用机器学习方法预测半导体材料物理性质
案例实践教学九:利用多种机器学习方法对二维材料的性质预测