|
第1届北京等贤机器学习钙钛矿培训班第一轮通知发布日期:2025年8月15日 培训简介 全球能源危机步步紧逼,传统化石燃料已无法满足需求,而钙钛矿太阳能电池以26.1%的超高效率(远超传统材料!),成为新能源赛道的“黑马”。但它的致命弱点——研发周期长、成本高,让科学家头疼不已。直到机器学习(ML)加入战场:从5148种材料中精准锁定目标,预测性能比实验快100倍! 培训目标 1. 使学员掌握机器学习的基础理论,包括监督学习(回归、分类)、无监督学习(聚类、降维)、集成学习(随机森林、梯度提升树等)及深度学习(图神经网络)的原理与在钙钛矿材料研究中应用。 2. 培养学员运用机器学习解决钙钛矿领域实际问题的能力,提升学员的实操能力,包括材料性能预测、无铅钙钛矿识别、界面钝化材料筛选等,掌握数据清洗、特征提取、模型训练与评估的全流程,能独立处理钙钛矿数据集(如缺失值、异常值处理,特征标准化与降维),模型训练,型评估指标(MSE、MAE、准确率、ROC-AUC等)及交叉验证方法。 3. 使学员了解深度学习与图神经网络(GNN)基础,包括多层感知器、GCN等架构,能构建并优化适用于钙钛矿性质预测的GNN模型,对比常规机器学习与GNN在材料研究中的优势与适用场景。 4. 提升学员跨材料学与数据科学的交叉研究能力,使其能运用课程所学加速钙钛矿太阳能电池的研发与性能优化,具备独立设计相关研究课题并产出高水平成果的潜力,助力开展创新性研究、发表SCI论文。 5. 帮助学员紧跟钙钛矿与人工智能交叉领域的国际最新研究动态,为钙钛矿太阳能电池的高效研发与性能优化提供支持,为在钙钛矿领域的学术研究或产业应用中建立独特优势,开展创新性研究。 培训授课讲师 李老师来自国内高校,在机器学习交叉领域拥有深厚研究积累,长期致力于运用机器学习技术解决钙钛矿太阳能电池的性能预测、材料筛选等关键问题,在国际权威期刊发表多篇SCI检索论文。授课风格注重理论与实操结合,善于将复杂的算法原理和机器学习知识转化为易懂的讲解,应用于钙钛矿领域实例,深受广大学员的信赖与好评。
培训内容大纲 第一天 上午 1. 机器学习与钙钛矿绪论 2.监督学习、非监督学习、半监督学习的区别和应用场景 3.机器学习算法的分类和特点以及在钙钛矿中的应用 4.机器学习模型理论讲解,监督学习(回归与分类),线性回归模型,逻辑回归模型,K近邻模型,支持向量机模型,决策树模型,神经网络模型 实操: 1.安装Python和必要的机器学习库 2.机器学习工具,常用的机器学习库Scikit-Learn等实操 机器学习指导策略开发高效室内钙钛矿太阳能电池 3.钙钛矿数据集处理:数据整合,Python清洗数据,处理缺失值(如用均值填充钙钛矿缺失特征)、异常值(剔除超常规范围的错误数据),构建标准化数据集 4.钙钛矿特征提取与分析:特征提取,特征初步分析,分析特征与目标性能,筛选关键特征 5.模型训练与调优,数据划分、模型训练 6.性能预测,模型评估,回归模型等评价指标与调用方法(均方误差(MSE)、平均绝对误差(MAE)、决定系数(R²)等) 掌握“数据-特征-模型-预测”全流程,能用机器学习解决钙钛矿材料性能预测问题,输出可复用的代码模板与结果分析。 以上实操内容结合钙钛矿领域的例子和数据 第一天:下午 集成学习讲解: 1.Bagging (如随机森林 Random Forest), Boosting (如AdaBoost, Gradient Boosting, XGBoost, LightGBM) 2.随机森林(Random Forest)原理与应用 3.梯度提升树(Gradient Boosting)原理与应用 实操: 通过机器学习识别用于太阳能电池的无铅钙钛矿 4.钙钛矿电池特征处理:标准化,区间缩放法,归一化,定量特征二值化,OneHot独热编码等 5.钙钛矿特征降维:特征选择(相关系数法,卡方检验,递归消除特征法,基于模型的特征选择法),线性降维(主成分分析法PCA处理,线性判别法) 6.分类模型验证指标(准确率,查准率和查全率,F得分,分类报告,混淆矩阵)ROC和AUC曲线等; 7.集成学习模型(GBRT)训练预测与评估 交叉验证(Cross-Validation):K折交叉验证、留一法等,用于评估模型泛化能力。 8.模型选择与避免过拟合/欠拟合:学习曲线分析 第二天:上午 1. 无监督学习 2.什么是无监督学习 3.无监督算法——聚类 4.无监督算法——降维 5. K-均值聚类(K-Means),层次聚类,t-SNE、主成分分析原理与实操讲解 实操: 1. 鸢尾花数据集用于聚类实现和应用 2. T-SNE实现和应用 3. PCA的实现和应用 4. 层次聚类的实现和应用 5. K-means聚类的实现和应用 6. 钙钛矿材料聚类实操: 数据加载,参数调优,构建模型,对钙钛矿数据执行降维,可视化及分析 第二天:下午 实操:超稳定高效钙钛矿太阳能电池的机器学习建模 实操:钙钛矿太阳能电池界面钝化材料的机器学习辅助筛选 1.多种机器学习模型构建,线性回归模型,逻辑回归模型,K近邻模型,支持向量机模型,决策树模型,神经网络模型 2. 集成学习训练:Random Forest, AdaBoost, Gradient Boosting, XGBoost, LightGBM 3. 参数调优与模型优化,.超参数调优:网格搜索(Grid Search)、随机搜索(Random Search) 4. 模型评估与结果分析 第三天:上午 利用机器学习巩固钙钛矿太阳能电池实验结果的多样性 1. 钙钛矿太阳能电池数据探索,特征工程,数据预处理 2. 多种机器学习方法应用于钙钛矿材料综合训练 3. 机器学习模型训练与评估 4. 模型的可解释性实战,线性回归方程式,决策树模型可视化,随机森林筛选特征等重要性,SHAP值可解释性等 第三天:下午 深度学习在钙钛矿太阳能材料中的应用 深度学习与神经网络基础 1. 神经网络基础:感知器、多层感知器(MLP)、激活函数(ReLU, Sigmoid, Tanh)、损失函数、梯度下降与反向传播。 2. 图神经网络(GNN)及其在材料科学中的应用 3. GNN特征工程的特点 4. 图的基本概念:节点(原子)、边(键)、图(晶体结构/分子)GNN基本思想:消息传递机制 5. 常用GNN架构介绍:GCN, GAT, SchNet, MEGNet/ALIGNN等 实操: 用于钙钛矿性质预测的常规机器学习和图神经网络模型的比较分析 6. 图神经网络基础模型构建 7. 使用钙钛矿图结构数据训练GCN模型 8. 针对GCN模型的关键参数进行优化,提升模型性能。 9. 从预测精度、泛化能力、训练效率等方面对机器学习和图神经网络模型进行评估 10. 对比分析不同模型在钙钛矿性质预测中的优势与不足 11. 总结两类模型在钙钛矿材料研究不同场景下的适用情况,为实际研究中的模型选择提供参考
课程特色及授课方式
线上授课时间和地点自由,建立专业课程群进行实时答疑解惑,理论+实操授课方式结合大量实战案例与项目演练,聚焦人工智能在钙钛矿领域的最新研究进展,课前发送全部学习资料,课程提供全程答疑解惑; 完全贴合学员需求的课程体系设计,定期更新的前沿案例,由浅入深式讲解,课后提供无限次回放视频,免费赠送二次学习,发送全部案例资料,永不解散的课程群,可以与相同领域内的老师同学互动交流问题,让求知的路上不再孤单!
增值服务 1、凡参加人员将获得本次课程学习资料及所有案例模型文件; 2、课程结束可获得本次所学专题全部回放视频; 3、课程会定期更新前沿内容,参加本次课程的学员可免费参加一次本单位后期举办的相同专题课程(任意一期) 课程会议完毕后老师长期解疑,课程群不解散,往期会议学员对于会议质量和授课方式一致评价极高! 学员对于会议答疑给予高度评价! 授课时间 机器学习钙钛矿: 2025.09.20----2025.09.21(上午09.00-11.30下午13.30-17.00) 2025.09.22----2025.09.23(晚上19.00-22.00) 腾讯会议 线上授课(共五天课程 提供全程视频回放) 课程费用 每人每班:4980元 往届学员的优惠:为便于往届学员获得后来历届培训里增加的大量新知识,,参加过以往任意一届北京等贤培训班的学员可享受8折优惠!报名时请主动在邮件里说明。 报名方式
联系人:陈老师 咨询电话:15652523032(微信同号) 相关事项(必读!) 1、每个学员在报名后都会提供盖有公章的邀请函。 2、若有任何问题需要咨询或沟通,请发送邮件至13169611059@qq.com。 3、郑重声明:北京等贤的培训讲义、录音以及培训中提供的一切电子资料,皆仅限学员自己学习使用,严禁私下复制、传播、盗卖,不得发布至网络上公开平台,否则必将被严厉追究法律责任、要求赔偿经济损失,情节严重的还将在网络上予以公示、向涉事者所在学校/单位进行通报。报名本培训视为认可本条款。 4、报名后允许取消报名,决定取消报名时应尽早通知我们。如果在报名后因为不可抗力而不得不取消报名,一次无妨,但如果反复出现多次在报名后又取消报名的情况(特别是到了培训快开始,我们发催款通知后才说要取消报名),将会影响信誉,导致在报名未来北京等贤的培训时降低受理的优先级,或者不再接受。如果报名后,我们尝试通过报名表中的各种联系方式联系报名者但经过数日都没有收到任何回复,本次报名将作废,且报名未来的培训时将不再受理。我们希望发来报名表的都是真心要参加培训学习知识的人,请尽量避免浪费有限的培训名额。
|

