课程介绍
机器学习，作为人工智能领域的核心技术之一，通过让计算机学习大量数据中的模式和规律，已经在多个领域实现了技术革命。《机器学习辅助材料模拟实践》课程深入探讨机器学习与材料科学的全面结合，教授在材料领域中可运用的编程工具与人工智能算法，从而加速材料的研发创新。

本课程以机器学习基础、Python编程语言以及数据预处理和特征工程介绍入手，涵盖统计机器学习模型和深度学习模型的基本原理、方法以及在材料中的应用。并提供实际材料研发问题的实战案例，包括利用机器学习进行实验数据分析、利用预训练模型加速材料科学研究等。

通过基础教学和实践应用的结合，本课程旨在激发创新灵感，促进材料科学领域的进步，为学习者提供应用机器学习技术揭示新材料和解决复杂问题的技能。
课程目录
第一章 概要
1.机器学习基础
2.编程语言基础
3.数据预处理与特征工程
第二章 统计机器学习模型
1.回归分析与材料性质预测
2.分类问题与材料筛选
3.决策树与机器学习可解释性
4.支持向量机与模型筛选
5.集成学习算法与新材料发现
6.无监督学习与材料表征应用
第三章 深度学习模型
1.多层感知机与深度学习基础
2.深度卷积神经网络与电镜图像处理
3.Transformer与复杂材料性质预测
第四章 机器学习案例实战
1.机器学习与实验数据处理
2.机器学习与计算材料学
3.预训练模型助力材料科学研究
4.机器学习的其他应用与创新

注：相关代码和课程资料在代码等资料请在下述网下载址：https://bohrium.dp.tech/courses/1579342680?tab=courses

讲师信息
许审镇，北京大学材料科学与工程学院研究员（2020年9月至今），2011年本科毕业于清华大学物理系，2017年博士毕业于美国威斯康星大学麦迪逊分校，2017-2020在美国普林斯顿大学开展博士后研究。主要从事电化学体系表界面过程的计算模拟及方法开发工作。2022年2月至今在北京科学智能研究院（AISI）兼职负责电池材料理论计算团队。以第一作者或通讯作者身份在 J. Am. Chem. Soc./PNAS/Adv. Funct. Mater./J. Phys. Chem. Lett./J. Chem. Theory Comput. 等期刊发表论文二十余篇。

王一博，深势科技教学总监。本科和硕士毕业于北京大学信息科学技术学院，计算机专业，研究方向是机器学习与深度学习，深度扎根人工智能与教育行业，曾供职于一线互联网、教育行业。管理和运营全球最大的 AI4Science 社区 DeepModeling 开源社区，发起并组织 AI4Science 品牌教学活动“哥伦布训练营”，课程学员覆盖来自国内外上百所高校数万名学员。