机器学习材料专题
在材料科学的浩瀚领域中，机器学习正逐步展现其作为变革性工具的学术潜力。随着材料设计空间的不断扩展，传统的研究方法在面对复杂多变的材料性质与结构时，往往显得力不从心。机器学习技术的引入，为这一困境提供了全新的解决方案，其强大的数据处理与分析能力，正引领着材料科学向更加精确、高效的研究范式转变。
在学术研究的视角下，机器学习通过深入挖掘材料数据中的隐藏规律，为材料性能的预测与优化设计提供了强有力的支持。通过构建复杂的数学模型，机器学习算法能够处理并解析大规模、高维度的数据集，揭示出材料性质与结构之间的内在联系。这一过程不仅促进了材料科学理论的深化，还为新材料的开发与应用提供了坚实的理论基础。
此外，机器学习在材料设计中的应用，更是体现了其智能化的特点。基于预设的性能指标，机器学习能够智能地生成材料设计方案，并通过迭代优化不断逼近最优解。这种智能设计的方法不仅提高了材料研发的效率和成功率，还推动了材料科学研究的创新与发展。通过减少试错成本，加速材料性能的验证与优化，机器学习为材料科学家提供了更加高效、精准的研究工具。
在学术界，机器学习在材料科学中的应用已经取得了显著的成果。从金属材料的性能优化到新能源材料的开发，从有机材料的合成设计到生物医用材料的创新应用，机器学习都展现出了其独特的优势和潜力。这些研究成果不仅推动了相关领域的学术进步，也为材料科学的未来发展奠定了坚实的基础。
综上所述，机器学习在材料科学中的应用，不仅是对传统研究方法的革新与超越，更是对材料科学学术研究的深度挖掘与拓展。随着技术的不断进步和应用的不断深入，我们有理由相信，机器学习将在材料科学领域发挥更加重要的作用，推动这一学科向更加繁荣、发展的方向迈进。
学习目标
机器学习材料目标：1.掌握Python编程基础及其在科学计算中的应用：学会利用Python进行数据处理、模型构建与可视化，熟悉NumPy、Pandas等工具。
2.理解材料与化学中的机器学习方法：掌握线性回归、逻辑回归、决策树、支持向量机等常见算法的基本原理与应用。
3.应用机器学习解决材料科学问题：通过项目实践，深入理解数据采集、特征选择、模型训练与评估等步骤，学会使用sklearn等工具库完成任务。
4.了解材料数据的特征工程与数据库应用：学习如何表示分子结构与晶体结构，并了解常见材料数据库的使用方法。
5.提升实战能力并引导深入学习：通过多样化的项目实践案例，巩固课程内容，为后续深度学习等更复杂算法的学习打下基础。
深度学习材料目标：1.理解深度学习与材料科学的结合点：掌握深度学习在材料特征工程和化学中的应用，了解当前研究的前沿方向。
2.熟练使用材料数据库与工具库：学习材料基因组的基本方法，并熟练掌握Material Project、Pymatgen、ASE等常见数据库及工具库的使用。
3.掌握常见深度学习算法的原理与应用：深入理解卷积神经网络、时序神经网络、生成模型及图神经网络的工作原理及其在材料研究中的具体应用。
4.培养实战能力：通过动手实践，包括深度学习框架Pytorch和Pytorch Lightning的使用、卷积神经网络在材料图像识别中的应用、基于Transformer的属性预测模型构建、生成对抗网络和变分自编码器在材料生成中的应用等，提升解决材料研究实际问题的能力。
深度学习超材料逆向设计目标：
1. 学习弹性波超材料的基本概念与计算方法
2. 学习深度学习算法以及基于Tensorflow框架的模型搭建
3. 学习深度学习在弹性波超材料领域的研究现状
4. 学习基于COMSOL with Matlab的弹性波超材料数据集批量自动生成方法（分享课程涉及的所有数据集及代码）
5. 学习基于深度学习的弹性波超材料正向预测、参数设计与拓扑设计的原理以及实现方式（分享课程涉及的所有代码）
深度学习有限元分析学习目标：本课程旨在为学员提供深度学习与有限元分析结合的系统性知识，确保学员在理论与实践中都能掌握核心概念和应用技能。课程内容将涵盖有限元方法的基本原理，包括如何使用 Python 和 FEniCS 进行偏微分方程的求解，确保学员对有限元分析的基础有充分的理解。此外，课程还将探讨如何利用深度学习模型（如卷积神经网络）来增强有限元分析的能力，通过案例研究和实际代码示例，使学员能够在实际应用中运用所学知识。
在课程中，学员将深入了解现代深度学习技术如何为有限元方法提供新的视角与工具，包括无监督学习和强化学习的应用。例如，通过学习如何使用机器学习进行有限元分析，学员将掌握如何从大量仿真数据中提取有价值的信息，并将其转化为高效的材料模型。与此同时，课程将介绍高效的模型训练策略和数据增强技术，以提高模型的准确性和泛化能力。
最后，本课程将强调理论与实践相结合，学员将在课程结束时能够独立完成一个基于深度学习的有限元分析项目，涉及从数据准备到模型训练，再到结果分析的整个流程。通过这种全面的学习体验，学员将为未来在材料工程、结构分析及相关领域的研究与应用奠定坚实基础，具备解决复杂工程问题的能力。
机器学习材料专题
深度学习材料专题
深度学习超材料逆向设计专题
深度学习有限元分析专题
讲师介绍：
机器学习材料专题和深度学习材料专题主讲老师张老师来自国内“985工程”顶尖高校材料物理与化学专业，长期从事材料科学、机器学习，未来互联网与命名数据网络，量子力学等领域。在多个国际高水平期刊上发表 SCI检索论文15余篇。国家发明专利一项，他的授课方式深入浅出，能够将复杂的理论知识和计算方法讲解得清晰易懂，受到学员们的一致认可和高度评价！
深度学习超材料逆向设计：主讲老师来自国家985重点高校，固体力学专业，在深度学习辅助的弹性波超材料逆向设计研究领域深耕多年，具有丰富的经验和扎实的基础。以第一作者或通讯作者在CMAME、IJMS、ES等行业顶级期刊发表论文8篇以及其它国际知名期刊7篇，共计15篇，参编英文书籍1部，参与过多项国家级项目，担任JSV、IJAM和EML等多个杂志的审稿人。
深度学习有限元分析主讲老师来自国内顶尖985院校应用数学、计算数学、材料科学和流体力学专业，擅长应用数学、物理信息模型、机器学习建模与深度学习技术驱动交叉学科研究。近年来发表SCI论文12篇。研究方向包括：理论流体力学、智能材料、智能流体力学的量子计算、数据驱动的流体力学、流体力学的核函数方法、仿真实验分析等。
机器学习材料专题
材料机器学习概述与python基础
【理论内容】
1. 机器学习概述
2. 材料与化学中的常见机器学习方法
3. 应用前沿
【实操内容】
1)Python基础
1)开发环境搭建
2)变量和数据类型
3)控制流
2)Python基础（续）
1)函数
2)类和对象
3)模块
3. Python科学数据处理
1)NumPy
2)Pandas
3)绘图可视化
4)文件系统
第二天：常见机器学习方法与实践1
【理论内容】
1. 线性回归
1)线性回归的原理
2)线性回归的应用
2. 逻辑回归
1)逻辑回归的原理
2)逻辑回归的应用
3. K近邻（KNN）
1)K近邻的原理
2)K近邻的应用
4. 感知机（浅层神经网络）
1)感知机的原理
2)使用感知机进行回归
3)使用感知机进行分类
【实操内容】
1. 线性回归的实现与初步应用
2. 逻辑回归的实现与初步应用
3. K近邻的实现与初步应用
4. 感知机的实现与初步应用
【项目实操内容】
1. 机器学习对CO2催化活性的预测｜机器学习入门简单案例 【文章】
1)机器学习材料与化学应用的典型步骤
a)数据采集和清洗
b)特征选择和模型选择
c)模型训练和测试
d)模型性能评估和优化
2)sklearn库介绍
a)sklearn库的基本用法
b)sklearn库的算法API
c)sklearn库的模型性能评估
第三天 常见机器学习方法与实践2
【理论内容】
1. 决策树
1)决策树的原理
2)决策树的应用
2. 集成学习
1)集成学习的原理
2)集成学习的方法和应用
3. 朴素贝叶斯
1)朴素贝叶斯的原理
2)朴素贝叶斯的应用
4. 支持向量机
1)支持向量机的原理
2)支持向量机的应用
【实操内容】
1. 决策树的实现和应用
2. 随机森林的实现和应用
3. 朴素贝叶斯的实现和应用
4. 支持向量机的实现和应用
【项目实操内容】
1. 利用集成学习预测双金属ORR催化剂活性【文章】
1)Sklearn中的集成学习算法
2)双金属ORR催化活性预测实战
a)数据集准备
b)特征筛选
c)模型训练
d)模型参数优化
2. 使用支持向量机预测高熵合金相态【文章】
1)支持向量机的可视化演示
a)绘制决策边界
b)查看不同核函数的区别
2)支持向量机预测高熵合金相态（分类）
a)数据集准备
b)数据预处理
c)特征工程
d)模型训练及预测
3)支持向量机预测生物炭材料废水处理性能（回归）
a)数据集准备
b)数据预处理
c)模型训练及预测
第四天 常见机器学习方法与实践3
【理论内容】
1. 无监督学习
1)什么是无监督学习
2)无监督学习算法-聚类
3)无监督学习算法-降维
2. 材料与化学数据的特征工程
1)分子结构表示
2)晶体结构表示
3. 数据库
1)材料数据库介绍
2)Pymatgen介绍
【实操内容】
1. 无监督学习算法的实现与应用
2. 分子结构的表示
3. 晶体结构的表示
4. 数据库实操
【项目实操内容】
1. 无监督学习在材料表征中应用【文章】
1)K-Means聚类算法
2)石墨烯样品数据集准备
3)二维电镜图像处理
4)聚类及统计
2. 利用机器学习预测高能材料分子性质【文章】
1)高能分子数据集准备
2)从SMILES生成分子坐标
3)从分子坐标计算库伦矩阵
4)测试不同分子指纹方法
5)比较不同特征化方法
6)模型性能评估
第五天 项目实践专题
【项目实操内容】
1.利用机器学习加速发现耐高温氧化的合金材料【文章】
1)合金材料数据集准备
2)数据预处理
3)特征构建和特征分析
4)多种模型训练
5)使用训练好的模型进行推理
2.决策树（可解释性机器学习）预测AB2合金的储氢性能【文章】
1)储氢合金材料数据集准备
2)决策树基本流程
3)动手建立一棵树
4)决策树剪枝
5)决策过程可视化和特征重要性分析
6)分类决策树和回归决策树的区别
3.分子渗透性分类预测
1)使用定量的1D分子描述符和不同的机器学习模型进行QSAR模型的训练和预测
2)使用定性的2D分子描述符和不同的机器学习模型进行QSAR模型的训练和预测
3)比较不同分子描述方法对QSAR模型性能的影响
4. 多层感知机预测单晶合金晶格错配度【文章】
1)PyTorch与Scikit-learn中多层感知机的区别
2)使用PyTorch构建多层感知机
3)训练PyTorch多层感知机模型预测单晶合金晶格错配度
4)PyTorch多层感知机模型参数优化
深度学习材料专题
第一天：深度学习与材料特征工程
【理论内容】
1.深度学习概述
2.材料特征工程
3. 材料与化学中的常见深度学习方法
4. 应用前沿
【实操内容】
1.Pytorch深度学习框架实操
1)认识Pytorch
2)Pytorch深度学习模型的建立范式
3)为预测任务建立Pytorch深度学习模型
2.Pytorch Lightning框架实操
1)使用Pytorch Lightning训练模型
2)设置最佳保存点和早停
第二天：材料基因组（工具库及数据库）
【理论内容】
1.材料基因组概述
2.材料基因组的基本方法
3.常见材料数据库介绍
【实操内容】
1.Material Project数据库与Pymatgen
1)Material Project数据库实操
2)Pymatgen库实操（matgenb）
2.ASE（Atomic Simulation Environment）实操
3.OQMD数据库数据获取与使用（qmpy_rester）
4.AFLOW数据库数据获取与使用（aflow）
5.材料特征工具Matminer实操
1)Matminer获取材料数据集
2)Matminer生成材料描述符
第三天 常见的深度学习算法、应用及实践1
【理论内容】
1. 卷积神经网络（CNN）
1)CNN的介绍
2)CNN的原理
3)ResNet的介绍及原理
【项目实操内容】
1.CNN入门案例、深度神经网络模型的预训练及微调
1)使用微调的预训练ResNet预测mnist数据集
2)从头开始训练ResNet预测mnist数据集
2.STEM图像生成
1)STEM图像数据读取与处理
2)使用ASE创建原子模型
3)模拟二硫化钼中硫原子的缺失
4)生成硫原子缺失的STEM仿真图像
3.卷积神经网络在合金电镜图片识别的应用【文章】
1)合金电镜数据集介绍及图像预处理
2)构建简单CNN模型进行分类
3)使用预训练模型VGG16进行分类
4)使用预训练模型DenseNet201进行分类
5)模型性能展示
4. 基于粉末X射线衍射图谱的晶体对称性识别CNN模型【文章】
1)XRD图像数据集准备
2)使用PyTorch处理数据集
3)PyTorch训练一维图像数据预测模型
4)PyTorch模型验证和测试
第四天 常见的深度学习算法、应用及实践2
【理论内容】
1. 时序神经网络
1)RNN的介绍及原理
2)LSTM的介绍及原理
3)GRU的介绍及原理
4)Transformer的介绍及原理
【项目实操内容】
1.LSTM&GRU入门案例
1)使用PyTorch实现时序预测模型
2)训练LSTM模型
3)训练GRU模型
4)模型评估
2.基于GRU/Transformer网络预测锂电池的老化轨迹【文章】
1)电池数据集准备与分析
2)原始数据分割与处理
3)训练GRU模型预测电池老化轨迹
4)训练Transformer模型预测电池老化轨迹
5)模型性能评估与预测
3. 基于Transformer对聚合物性质进行预测【文章】
1)聚合物数据集准备
2)对聚合物数据进行特征编码
3)使用预训练的Transformer
4)以K折交叉验证的方式微调Transformer模型预测聚合物性能
第五天 常见的深度学习算法、应用及实践3
【理论内容】
1.生成模型
1)生成对抗网络（GAN）的介绍及原理
2)变分自编码器（VAE）的介绍及原理
3)扩散模型（Diffusion Model）的介绍及原理
2.图神经网络
1)图神经网络（GNN）的介绍及原理
【项目实操内容】
1.基于VAE逆向生成晶体材料【文章】
1)晶体结构体素空间编码
2)使用变分自编码器进行晶体结构自动生成
3)变分自编码器的潜空间采样
2.基于Transformer架构的自回归模型生成指定空间群的晶体材料【文章】
1)基于Transformer架构的自回归模型
2)基于对称性的晶体结构表示
3)使用训练好的自回归模型进行指定空间群的晶体材料生成
3.图神经网络入门、分子图编码及预测
1)图神经网络实操
2)小分子的图表示
3)使用图神经网络对小分子进行分类预测
深度学习超材料逆向设计专题
课程目录
第一天
弹性波超材料与深度学习的基本理论
1.1 弹性波超材料
1.1.1 弹性波超材料概念
1.1.2 超材料应用前景
1.1.3 计算方法
1.1.4 带隙机理
1.1.5 COMSOL商用有限元软件安装
1.1.6 案例1：基于传递矩阵法的一维周期超材能带曲线计算（包含实操）
1.1.7 案例2：基于有限元的二维周期超材料能带曲线计算（包含实操）
1.1.8 案例3：基于有限元的二维周期超材料频域与时域响应计算（包含实操）
2.1 深度学习
2.1.1 概念与原理
2.1.2 常见的深度学习模型(MLP, CNN, RNN)
2.1.3 Tensorflow深度学习框架安装与演练（包含实操）
2.1.4 数字图片数据集下载（包含实操）
2.1.5 数字识别深度学习模型搭建（包含实操）
第二天
数据集批量自动生成方法
2.1 COMSOL with Matlab介绍
2.2 如何获取用于弹性波超材料计算的基础Matlab代码（包含实操）
2.2.1 COMSOL有限元模型以Matlab代码表示
2.2.2 Matlab读取并修改COMSOL有限元模型
2.3 参数变量控制的数据批量自动生成方法与Matlab代码（包含实操）
2.3.1 参数变量特性与定义规则
2.3.2 Matlab更改COMSOL有限元模型中的几何和材料参数
2.4 拓扑变量控制的数据批量自动生成方法与Matlab代码（包含实操）
2.4.1 拓扑构型定义与范围选取
2.4.2 Matlab定义COMSOL有限元模型的拓扑结构
2.5 数据整合方法与Python代码（包含实操）
第三天
正向预测
3.1 正向预测研究现状
3.2 正向预测深度学习模型及其原理
3.2.1 SVM
3.2.2 MLP
3.2.3 CNN
3.3 用于正向预测的数据集介绍
3.3.1 一维周期超材料的参数变量数据集
3.3.2 二维周期超材料的拓扑变量数据集
3.4 基于MLP的一维周期超材料带隙预测与代码讲解（包含实操）
3.4.1 基于Python和Tensorflow的MLP模型构建
3.4.2 训练与验证
3.4.3 基于R2的带隙预测精度测试评估
3.5 基于CNN的二维周期超材料能带曲线预测与代码讲解（包含实操）
3.5.1 基于Python和Tensorflow的CNN模型构建
3.5.2 训练、验证与测试
3.5.3 真实值与测试值对比图的批量生成
第四天
参数设计
4.1 参数设计研究现状
4.2 用于参数设计的深度学习模型及其原理
4.2.1 MLP
4.2.2 MLP+GA
4.2.3 强化学习
4.2.4 TNN
4.3 用于参数设计的数据集介绍
4.4 基于TNN的一维周期超材料参数设计与代码讲解（包含实操）
4.4.1 TNN模型的搭建方式
4.4.2 设计参数的批量保存与验证
4.5 参数设计结果的分析与讨论（包含实操）
4.5.1 设计精度的评估方式及其代码
4.5.2 设计的非唯一性
第五天
拓扑设计
5.1 研究现状
5.2 用于拓扑设计的深度学习模型及其原理
5.2.1 CGAN
5.2.2 CVAE
5.2.3 VAE-based模型
5.3 用于拓扑设计的数据集介绍
5.4 基于VAE-based模型的二维周期超材料拓扑设计与代码讲解（包含实操）
5.4.1 VAE-based模型的搭建方式
5.4.2 设计拓扑构型的批量保存和验证
5.5 拓扑设计分析方式（包含实操）
5.6 多目标拓扑优化（包含实操）
5.7 课程总结
深度学习有限元分析专题
第一天：深度学习与有限元基础
1.有限元分析（FEM）基础：【理论知识+代码+实操】
1.1知识点剖析：有限元法的基本原理，如网格划分和节点分析。
1.2知识点剖析：介绍有限元在结构分析、热传导、流体力学等领域的实际应用。
1.3知识点剖析：解释有限元法的优缺点，特别是计算复杂性和精度问题。
1.4案例展示与实操：有限元法分析及数值求解
2.深度学习基础与案例实操：【理论知识+代码+实操】
2.1剖析神经网络的基本组成，包括输入层、隐藏层和输出层。
2.2剖析常用的激活函数，如ReLU、sigmoid和softmax及其作用。
2.3剖析损失函数的定义及其在模型训练技术原理。
2.4深度学习案例与实操：深度学习技术迁移至有限元分析【代码+实操】
3.有限元与深度学习结合的必要性【理论结合案例知识】：
3.1剖析传统有限元方法及其局限性，特别是在处理复杂材料和几何时的不足。
3.2剖析深度学习技术提高模型的自适应性与非线性特征处理能力。
3.3利用深度学习进行数据驱动建模的前景与应用。
4.深度学习结合有限元案例分析：
4.1实现CNN自动生成的材料工程数据样本的具体方法。
4.2分析数据集的特征，包括样本数量、数据维度和标注信息。
4.3利用获取的样本改进有限元分析的准确性和效率。
第二天：有限元方法与深度学习的实践【理论知识+代码+实操】
1.PDE求解与有限元结合：
1.1介绍如何使用 FEniCS 进行偏微分方程的建模与求解。
1.2讲解偏微分方程的离散化方法，包括网格生成与基函数选择。
1.3实现如何将 FEM 结果转化为可用于深度学习的格式。
2.数据预处理：
2.1讲解如何提取有限元仿真结果中的关键特征，确保数据质量。
2.2实现FEM数据归一化和标准化的方法，以提高模型训练效果。
2.3介绍数据增强技术，增加样本多样性以改善模型泛化能力。
3.深度学习模型构建：
3.1指导如何选择适合有限元数据的深度学习模型结构（如CNN、RNN等）。
3.2讲解模型超参数的选择和调优，包括学习率、批量大小和训练轮数。
3.3实现通过交叉验证评估模型性能，避免过拟合。
3.4基于深度学习的晶体塑性有限元模型
4.案例实践：
4.1实际操作，构建一个简单的有限元与深度学习结合的模型。
4.2使用TensorFlow或PyTorch进行模型的训练和评估。
4.3分析模型输出，并与传统有限元方法的结果进行对比。
第三天：应用深度学习改进有限元模拟
1.材料行为建模【理论知识+代码+实操】：
1.1介绍EUCLID如何识别材料行为及其应用于弹塑性模型的优势。
1.2讲解路径相关材料行为的定义和重要性，以及如何进行建模。
1.3实现将材料行为模型与深度学习算法相结合，以提高预测准确性。
2.弹塑性材料模拟【理论知识+代码+实操】：
2.1探索全场弹塑性有限元模拟的基本原理和步骤。
2.2讲解如何利用深度学习算法进行塑性校正，提高模型的可靠性。
2.3分享弹塑性模拟的实际案例，分析模型的表现及其改进方向。
3.使用机器学习优化有限元分析【理论知识+代码+实操】：
3.1介绍如何利用深度学习算法进行参数识别和优化方法。
3.2实现机器学习在加速有限元分析过程中的应用，简化模型计算。
3.3实现优化算法与有限元模拟结果的结合，提升整体分析效率。
4.实践操作【理论知识+代码+实操】：
4.1通过具体案例，实施机器学习增强的有限元模型。
4.2分析并可视化模型结果，比较传统和机器学习方法的性能。
4.3识别潜在的改进领域和未来研究方向。
第四天：深度学习在有限元中的高级应用
1.神经网络学习有限元【理论知识+代码+实操】：
1.1探索神经网络如何从有限元数据中提取特征并进行学习。
1.2讨论不同类型神经网络（如CNN、RNN）在有限元分析中的适用性。
1.3介绍模型训练中使用的正则化技术，以防止过拟合。
2.混合模型实现【理论知识+代码+实操】：
2.1讲解如何构建增强神经网络混合模型，以结合FEM与深度学习的优势。
2.2分享不同模型组合的策略，分析其对结果的影响。
2.3实际演示构建和训练混合模型的过程。
3.实例分析【理论知识+代码+实操】：
3.1深入研究基于深度学习的晶体塑性有限元模型，讨论其应用场景。
3.2分析模型的优缺点，并探讨改进方向。
3.3展示模型的实际结果与传统方法的比较。
3.4使用逐点位移和域的有限元网格应用
4.技术演示与实操【理论知识+代码+实操】：
4.1通过U-Net架构进行应力分布预测的实际案例演示。
4.2讲解U-Net在图像分割和分析中的优势及其实现步骤。
4.3分享实践结果，讨论如何将U-Net模型应用于复杂工程问题。
4.4在有限元方法中使用基于机器学习技术的U-Net架构
第五天：综合项目与前沿技术
1.综合案例项目：
1.1设计一个完整的项目，结合深度学习与有限元方法，解决实际工程问题。
1.2介绍项目的背景、目标及所用技术，确保项目的系统性。
1.3讲解项目实施的步骤和方法，包括数据采集、模型构建和评估。
2.前沿研究研读【理论知识+代码+实操】：
2.1介绍基于 JAX 的 GPU 加速可微分有限元分析方法及其应用前景。
2.2讨论最新的研究成果和技术趋势，分析其对有限元分析的影响。
2.3介绍其他前沿技术（图神经网络）在有限元中的潜在应用。
2.4分享有效的解决方案和案例，帮助学员应对实际问题。
3.论文前沿导读【理论知识+代码+实操】：
3.1展望深度学习在有限元分析中的未来应用与发展方向。
3.2精读深度学习在有限元分析中的论文技术。
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，聚焦人工智能技术在材料科学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）
课程时间
机器学习材料时间：
2024.10.19----2024.10.20（上午9.00-11.30下午13.30-17.00）2024.10.23----2024.10.24（晚上19.00-22.00）
2024.10.26----2024.10.27（上午9:00-11:30下午13:30-17:00）
腾讯会议 线上授课（共五天课程 提供全程视频回放）
深度学习材料时间：
2024.11.2----2024.11.3（上午9.00-11.30下午13.30-17.00）
2024.11.6----2024.11.7（晚上19.00-22.00）
2024.11.9----2024.11.10（上午9:00-11:30下午13:30-17:00）
腾讯会议 线上授课（共五天课程 提供全程视频回放）
深度学习超材料逆向设计时间：
2024.10.19（上午9.00-11.30下午13.30-17.00）
2024.10.22----2024.10.26（晚上19.00-22.00）
2024.10.29----2024.11.01（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）
深度学习有限元分析：
2024.11.23----2024.11.24（上午9.00-11.30下午13.30-17.00）
2024.11.26----2024.11.27（晚上19.00-22.00）
2024.11.30----2024.12.01（上午9.00-11.30下午13.30-17.00）
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
课程费用：
深度学习超材料逆向设计
报名费用：每人每班课程￥4980元 （含报名费、培训费、资料费）
机器学习材料、深度学习材料、深度学习有限元分析
报名费用：每人每班课程￥4680元 （含报名费、培训费、资料费）
重磅优惠：
早鸟价优惠：提前报名缴费学员可得300元优惠（仅限前15名）
套餐价：同时报名两个课程￥9080元
报二赠一（同时报名两个班可以免费赠送一个学习名额，赠送班任选）
年报优惠：可免费学习一年特惠：20880元（可免费学习一整年本单位举办的任意课程）
报名费用可开具正规报销发票及提供相关缴费证明、邀请函，可提前开具报销发票、文件用于报销
报名咨询方式（请扫描下方二维码）
RECRUIT
联系人｜马老师
咨询电话｜18514630500（微信同号）
