课程简介

机器学习在电催化领域的火热与迅猛发展相比，机器学习在电催化领域的研究资料却相对匮乏。很多电催化领域的研究者们想在自己的领域中使用机器学习，却因数学与编程对其望而却步。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电催化课程，课程同时包含理论与实操部分，并包含大量电催化中使用机器学习的研究案例，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

二、基础模型

学习sklearn库，学习线性回归，广义线性回归，利用线性模型解决电催化中HER案例。学习约束项的添加与使用方法，理解约束项添加的必要性，理解套索回归、岭回归、弹性网基本原理，对OER案例使用约束项，学习机器学习案例文献。

三、模型评估

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，了解训练误差、测试误差、泛化误差的区别与联系，学习留出法、交叉验证法、自助法，并掌握各种模型评估方法的使用代码，并在OER案例中进行实际应用。

四、分类算法

学习决策树算法、逻辑回归算法、k近邻算法、Bayes算法与支持向量机算法。了解不同算法基本原理，掌握不同分类算法的基本使用。使用分类算法对OER机理、纳米粒子进行分类。学习分类算法的可视化，学习分类算法的性能度量方法。

五、回归算法

学习神经网络算法、支持向量机算法的基本原理，掌握Python中回归算法使用方法。学习数据的归一化、标准化。使用机器学习模型对OER超电势进行预测，学习Pearson相关系数，查看数据相关性，使用Python求算数据相关性，并对相关系数进行可视化，学习机器学习文献，进行文献详读。

六、集成学习

学习决策树回归算法，学习集成学习方法。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。本节将主要学习Bagging与Boosting两种类型的集成学习方法，学习其原理与基本使用，学习XGBoost算法。学习互信息，特征重要性，SHAP。学习使用集成学习解决MXene材料、CO2RR、OER断键实例中的问题。

七、描述符与预处理

梳理常用的数据预处理方法，学习缺失值的处理，重复值的处理，数据格式的转换。学习原子描述符，库伦矩阵描述符，Magpie描述符，密度描述符，学习描述符的添加与使用方式，并尝试对钙钛矿案例、吸附能案例手动添加描述符。

八、总结

通过前面课程的学习，同学们已经能掌握机器学习在电催化领域使用的基本思路，本节将对所学机器学习算法进行总结，并讲述算法选择基本技巧，讲述机器学习初学者常见错误及避免方法。