课程简介

与机器学习、数据库在材料科学领域的火热与迅猛发展相比，机器学习在材料科学的研究资料却相对匮乏。机器学习属于数学与计算机科学领域的交叉学科，与化学本身关系不大，这就造成了“懂化学的不懂机器学习，懂机器学习的不懂化学”的尴尬情形。机器学习与材料还有很多研究空白，可探索区域很多，而很多材料科学的研究者们却因数学与编程对机器学习望而却步。为了有效降低大家入门机器学习的门槛，华算科技黄老师原创设计了机器学习与材料课程，课程同时包含理论与实操部分，并包含大量化学与材料学的研究案例，可以帮助大家快速掌握机器学习这一有力工具，并快速使用到自己的研究之中。

课程内容

一、机器学习简介

通过简单易懂的案例介绍机器学习是什么，机器学习基本思想。了解机器学习在化学中的应用以及近年逐渐火热的原因，了解当代化学学习的四个范式。

二、简单模型与模型评价

通过简单的化学与材料科学案例熟悉sklearn库，进行简单的机器学习，学习线性、非线性拟合的方法。学习欠拟合与过拟合的概念，掌握模型评价方法并了解其必要性，对各种模型评价方法进行学习与使用。

三、分类算法

分类算法是机器学习算法中的一个重要算法。本小节将会讲解决策树算法、KNN算法、Bayes算法与支持向量机算法的原理，并使用有机小分子与MOF的案例学习这些常用分类算法的使用。学习分类算法的性能度量方法，并将性能度量结果进行可视化。

四、回归算法

回归算法作是机器学习在材料科学领域中极为常用的算法，也是机器学习学习的重点之一。本节将通过d带中心案例，合金催化与单原子催化案例介绍常用的机器学习算法。内容包括算法原理的介绍与实际代码中算法的使用方法，并将数据预处理、模型评价方法结合在各个案例中进行使用，加深对机器学习算法全流程的理解。

五、数据库与高通量筛选

数据库在材料分析中的使用越来越多，本节将介绍常用的材料科学数据库。Materials Project（MP）数据库与matminer数据库是课程介绍的重点。课程将介绍新版MP数据库的使用方法，并结合数据库进行高通量筛选的案例演示，介绍高通量筛选与机器学习的联系等。

六、集成学习

前面小节的内容已完成了机器学习的基本算法学习，此小节将学习近年较为火热的集成学习方法。集成学习由于结果更加精确、稳定、强壮，逐渐成为机器学习的主流算法。本节将学习主要的集成学习方法原理，并使用钢铁强度、CO2RR、钙钛矿案例进行实例学习与演示。

七、聚类算法

聚类算法作为机器学习算法的一种，在材料科学领域也有一定的应用。本小节将介绍常见的k-means聚类算法、层次聚类算法的基本原理，并介绍其实操使用。

八、机器学习前沿

通过前面课程的学习，同学们已经能掌握机器学习在材料领域使用的基本思路，并能够使用机器学习解决自己所在领域的基本问题了。然而，机器学习在材料科学领域的应用广而杂， 尽管我们的课程已经将尽可能多的案例纳入，但机器学习在材料领域仍有许多知识我们无法详述。这一部分将对这些知识进行简短的讲解，并对机器学习算法进行总结，帮助大家对机器学习领域有更为系统的认识。