VIP10
本课程属于：022-材料数据科学与机器学习 先进材料、材料计算与可靠性工程 · 共 10 门相关课程，组合学习更完整。
查看所属VIP全部课程 →
← 返回所属目录 咨询 / 购买

材料性能可解释机器学习工程

共计 30 章节
可可资料掘金营 · 点击在线试看
01
课程导入与工程视角
目标=材料性能预测的可解释机器学习工… · 核心挑战 · 典型应用场景与整体学习路线
课程导入工程视角
02
材料性能数据工程基础
目标=材料数据库 · 文献数据抽取 · 实验与计算数据融合
材料性能数据工程…目标=材料数据库
03
材料特征工程与描述符构建
目标=成分 · 结构 · 工艺
材料特征工程描述符构建
04
可解释机器学习模型选型
目标=线性模型 · 决策树 · 集成模型
可解释机器学习模…目标=线性模型
05
模型训练与验证工程
目标=数据划分 · 交叉验证 · 超参数优化
模型训练验证工程
06
全局可解释性方法
目标=特征重要性 · 部分依赖图 · 累积局部效应与全局代理模型在材料性能…
全局可解释性方法目标=特征重要性
07
局部可解释性方法
目标=LIME · SHAP · 反事实解释与材料样本级预测归因分析
局部可解释性方法LIME
08
材料性能预测中的特征交互与因果推断
目标=交互效应识别 · 因果图 · 混杂因素控制与可解释性增强
材料性能预测特征交互
09
可解释性驱动的特征筛选与降维
目标=基于解释结果的特征选择 · 稀疏建模与物理描述符优化
可解释性驱动的特…降维
10
合金性能预测实战
目标=基于成分与工艺特征的可解释模型… · 验证与关键因素解析
合金性能预测实战目标=基于成分
11
电池材料性能预测实战
目标=容量 · 循环寿命与倍率性能的可解释机器学习建…
电池材料性能预测…目标=容量
12
催化材料性能预测实战
目标=活性 · 选择性与稳定性的可解释模型构建及描述…
催化材料性能预测…目标=活性
13
高分子与复合材料性能预测实战
目标=力学 · 热学与老化性能的可解释建模与结构-性…
高分子复合材料性能预测…
14
半导体与光电材料性能预测实战
目标=带隙 · 迁移率与缺陷影响的可解释机器学习分析
半导体光电材料性能预测…
15
陶瓷与金属材料性能预测实战
目标=硬度 · 韧性 · 耐腐蚀性的可解释模型与工艺优化建议
陶瓷金属材料性能预测…
16
材料图像与显微组织可解释分析
目标=CNN特征可视化 · 注意力机制与组织-性能关联解释
材料图像显微组织可解释分…
17
材料光谱与衍射数据可解释建模
目标=XRD · 拉曼 · 红外等谱学数据的特征提取与模型解释
材料光谱衍射数据可解释建…
18
多模态材料数据融合与可解释性
目标=结构 · 图像 · 谱学与文本数据的联合建模与解释策略
多模态材料数据融…可解释性
19
可解释机器学习在材料逆向设计中的应用
目标=目标性能反推成分与工艺 · 可解释约束与可行性评估
可解释机器学习材料逆向设计
20
主动学习与实验闭环中的可解释性
目标=不确定性量化 · 实验推荐与解释驱动的迭代优化
主动学习实验闭环
21
可解释性评估与工程可信度
目标=解释稳定性 · 鲁棒性 · 一致性
可解释性评估工程可信度
22
材料机器学习工程化部署
目标=模型服务化 · 数据管道 · 版本管理
材料机器学习工程…目标=模型服务化
23
材料性能预测中的公平性与偏差分析
目标=数据偏差来源 · 模型偏差检测与可解释性缓解策略
材料性能预测公平性
24
可解释机器学习与材料理论计算结合
目标=DFT · MD · 相图计算与数据驱动解释的融合方法
可解释机器学习材料理论计算结合
25
可解释机器学习与材料实验设计结合
目标=实验验证 · 假设生成与解释引导的实验优化
可解释机器学习材料实验设计结合
26
材料性能多目标优化与可解释权衡
目标=帕累托前沿 · 多目标可解释模型与决策支持
材料性能多目标优…可解释权衡
27
材料服役性能与寿命预测可解释工程
目标=疲劳 · 蠕变 · 腐蚀等时变性能的可解释建模与维护决策
材料服役性能寿命预测可解释工…
28
材料基因组与高通量筛选中的可解释机器学习
目标=大规模数据筛选 · 解释优先级与候选材料排序
材料基因组高通量筛选
29
可解释机器学习工程案例综合实战
目标=从数据到部署的完整项目流程 · 解释报告撰写与成果交付
可解释机器学习工…目标=从数据到部…
30
前沿与展望
目标=大语言模型 · 因果机器学习 · 神经符号方法与材料可解释机器学习工程…
前沿目标=大语言模型