化學學科長期以來主要依賴實驗與計算這兩個手段，機器學習的到來使得它多了一種研究方式。目前，機器學習在化學與材料領域應用越來越多，相關的文章發表量也逐年增長。機器學習與理論計算、實驗表徵相結合，已成為國際頂刊文章風向標。但機器學習的使用強烈依賴於代碼編寫，這常常是化學專業同學們的短板。現有機器學習課程多為計算機方向，無法快速落地到生化環材等學科研究。為了降低大家入門機器學習的門檻，掌握科研利器，快速切入新風口。華算科技黃老師原創設計了機器學習與材料課程，課程同時包含理論與實操部分，包含大量研究案例，幫助大家快速掌握機器學習這一有力工具，快速使用到自己的研究之中。本次培訓10月17日開課！直播授課，互動答疑，課程群永不解散，隨時提問。課程案例：熔點、有機小分子、MOF、d帶中心、吸附能、合金催化、單原子催化、CO2RR、鈣鈦礦、STM圖像、電極塗層、Materials Project數據庫抓取、體積模量、鋼鐵強度、反應動力學、高通量計算、高通量篩選、機器學習勢、AIMD、決策樹/貝葉斯/支持向量機/神經網絡/隨機森林、回歸/分類/聚類算法、模型評價/性能度量。
前20位報名立減500元，數量有限，先到先得！
👇👇掃描二維碼，立即報名👇👇
該課程已成功舉辦9期，深受學員歡迎，往期學員評價節選如下：（點擊圖片可查看大圖）
黃博士：華算科技全職技術專家，武漢大學本科，北京大學博士，新加坡國立大學訪問學者。目前已發表SCI文章共20篇，其中第一作者文章5篇，單篇最高影響因子>40。從事理論計算與實驗化學研究工作十年，擅長使用機器學習進行化學理論的研究及實驗數據的處理，曾獲華中地區數學建模邀請賽三等獎，北京大學遊戲AI對抗全國邀請賽第四名等相關獎項。
通過簡單易懂的案例介紹機器學習是什麼，機器學習基本思想。了解機器學習在化學中的應用以及近年逐漸火熱的原因，了解當代化學學習的四個範式。通過簡單的化學與材料科學案例熟悉sklearn庫，進行簡單的機器學習，學習線性、非線性擬合的方法。學習欠擬合與過擬合的概念，掌握模型評價方法並了解其必要性，對各種模型評價方法進行學習與使用。分類算法是機器學習算法中的一個重要算法。本小節將會講解決策樹算法、KNN算法、Bayes算法與支持向量機算法的原理，並使用有機小分子與MOF的案例學習這些常用分類算法的使用。學習分類算法的性能度量方法，並將性能度量結果進行可視化。回歸算法作是機器學習在材料科學領域中極為常用的算法，也是機器學習學習的重點之一。本節將通過d帶中心案例，合金催化與單原子催化案例介紹常用的機器學習算法。內容包括算法原理的介紹與實際代碼中算法的使用方法，並將數據預處理、模型評價方法結合在各個案例中進行使用，加深對機器學習算法全流程的理解。數據庫在材料分析中的使用越來越多，本節將介紹常用的材料科學數據庫。Materials Project（MP）數據庫與matminer數據庫是課程介紹的重點。課程將介紹新版MP數據庫的使用方法，並結合數據庫進行高通量篩選的案例演示，介紹高通量篩選與機器學習的聯繫等。前面小節的內容已完成了機器學習的基本算法學習，此小節將學習近年較為火熱的集成學習方法。集成學習由於結果更加精確、穩定、彪悍，逐漸成為機器學習的主流算法。本節將學習主要的集成學習方法原理，並使用鋼鐵強度、CO2RR、鈣鈦礦案例進行實例學習與演示。聚類算法作為機器學習算法的一種，在材料科學領域也有一定的應用。本小節將介紹常見的k-means聚類算法、層次聚類算法的基本原理，並介紹其實操使用。通過前面課程的學習，同學們已經能掌握機器學習在材料領域使用的基本思路，並能夠使用機器學習解決自己所在領域的基本問題了。然而，機器學習在材料科學領域的應用廣而雜， 儘管我們的課程已經將儘可能多的案例納入，但機器學習在材料領域仍有許多知識我們無法詳述。這一部分將對這些知識進行簡短的講解，並對機器學習算法進行總結，幫助大家對機器學習領域有更為系統的認識。主辦單位：深圳華算科技有限公司（擁有VASP、Materials Studio、Gaussian、LAMMPS商業版權）培訓形式：直播課程，課程群永不解散，隨時提問，及時解答。課程費用：3980元，提供增值稅普通發票及邀請函。請提前報名，我們會根據學員課前反饋，適當增加課程內容。老客戶有優惠，請聯繫華算科技-小碩諮詢。報名方式：識別下方二維碼報名，或者聯繫手機13128723011。可通過公司微信收款碼刷公務卡，請掃碼填寫報名信息以便我們提前為您準備發票等報銷手續。
留言列表