催化领域的机器学习基础

课程编码：180210081700P4002H 英文名称：Fundamentals of Machine Learning in Catalysis 课时：20 学分：1.00 课程属性：研讨课 主讲教师：James P. Lewis等

学习和掌握机器学习方法的基本理论和思路；结合化工和催化的经典案例，学习使用python等工具应用机器学习方法的流程。

无

第一章 机器学习简介
第1节 机器学习是什么 0.5学时 任鹏举
第2节 Jupyter-notebook 和 python 简介（研讨） 1.5学时 任鹏举
第二章 特征工程原理和方法
第1节 分子和材料的特征选取 1学时 任鹏举
第2节 特征空间 0.5学时 任鹏举
第3节 从分子和晶体中构建特征向量（研讨） 1.5学时 周余伟
第4节 特征向量的维度 0.5学时 任鹏举
第5节 欠拟合和过拟合 0.5学时 任鹏举
第6节 去除冗余特征（主成分分析） 0.5学时 任鹏举
第7节 特征向量关联分析 0.5学时 任鹏举
第8节 特征向量分析和作图（研讨） 1.5学时 周余伟
第三章 分类算法
第1节 分类方法简介 0.5学时 任鹏举
第2节 核方法 0.5学时 任鹏举
第3节 支持向量机 0.5学时 任鹏举
第4节 材料和分子分类案例（研讨） 1.5学时 周余伟
第四章 回归方法
第1节 回归方法简介 0.5学时 任鹏举
第2节 高斯过程 0.5学时 任鹏举
第3节 贝叶斯统计 0.5学时 James P. Lewis
第4节 假设检验 0.5学时 James P. Lewis
第5节 分子物性回归实践（研讨） 1.5学时 周余伟
第五章 神经网络方法
第1节 神经网络方法简介 0.5学时 James P. Lewis
第2节 神经网络理论和案例 1学时 James P. Lewis
第3节 机器学习势函数拟合（研讨） 1.5学时 周余伟
第六章 课程总结汇报
第1节 课程总结汇报（研讨） 2学时 James P. Lewis

James Patrick Lewis 教授主要的研究领域是计算化学和材料科学，从事密度泛函软件、机器学习算法开发，应用于高通量材料设计、催化剂理性设计。主导开发了高效的从头算密度泛函理论 (DFT) 软件包FIREBALL方法，是FIREBALL 的主要开发者、活跃程序员和发行者。2017年与2018年James P. Lewis教授连续入选中科院人才计划国际访问学者项目与中国科学院山西煤化所温晓东研究员课题组在催化和机器学习理论方法开发和应用取得了卓有成效的研究成果。2018年，James P. Lewis教授获得国家“千人计划”外专项目支持。在此期间，James P. Lewis教授及其团队致力于开发智能催化研究平台。2019年，基于在机器学习辅助材料设计方面的重要贡献，James P. Lewis教授入选北京市北京材料基因工程高精尖创新中心外聘专家。
任鹏举博士是中科合成油技术股份有限公司高级工程师，项目负责人，主要从事理论计算催化，谱学计算模拟算法和应用等相关领域研究，是高效于量子力学分子动力学模拟软件 FIREBALL 开发者和 Thunder -ASE 软件包的维护者。长期使用计算模拟方法和工具针对传统能源和新能源转化过程中的催化剂开发进行工作，对催化剂开发提供了必不可少的基础支撑和模拟预测。
周余伟，男，理学博士，研究员（正高级职称），现任职于中科合成油技术股份有限公司。2016年毕业于复旦大学并获博士学位，2016年～2019年于中国科学院山西煤炭化学研究所从事博士后研究。长期从事理论与计算化学、机器学习开发与应用、新材料计算设计等研究工作。