課程

內容

機器學習基礎模型與復合材料研究融合

1. 機器學習在復合材料中的應用概述
2. 機器學習用于復合材料研究的流程
3. 復合材料數據收集與數據預處理

實例：數據的收集和預處理

1. 復合材料機器學習特征工程與選擇

實例：以納米材料增強復合材料為例，討論特征選擇、特征工程在提高模型性能中的作用。

1. 線性回歸用于復合材料研究

實例：線性回歸和多項式回歸在處理復合材料數據中的應用

1. 多項式回歸用于復合材料研究

實例：多項式回歸在處理復合材料數據中的非線性關系時的應用

1. 決策樹用于復合材料研究

實例：決策樹回歸在預測水泥基復合材料強度中的應用

復合材料研究中應用集成學習與支持向量模型

1. 隨機森林用于復合材料研究

實例：隨機森林在預測復合材料性能中的應用

1. Boosting算法用于復合材料研究

實例：Catboost在預測復合材料強度中的應用

1. XGBoost和LightGBM用于復合材料研究
   1. XGBoost
   2. LightGBM
   3. 模型解釋性技術

實例：XGBoost和LightGBM在水泥基復合材料性能預測中的應用，模型比較

1. 支持向量機 (SVM) 用于復合材料研究
   1. 核函數
   2. SVM用于回歸（SVR）

實例：SVR在預測復合材料的力學性能中的應用

1. 模型調參與優化工具包
   1. 網格搜索、隨機搜索的原理與應用
   2. 工具包Optuna

實例：超參數調整方法，模型調參與優化工具包的應用

1. 機器學習模型評估
   1. 回歸模型中的評估指標（MSE, R2, MAE等）
   2. 交叉驗證技術

實例：比較不同模型的性能并選擇最佳模型

復合材料研究中應用神經網絡

1. 神經網絡基礎
   1. 激活函數
   2. 前向傳播過程
   3. 損失函數

實例：手動實現前向傳播

1. 神經網絡反向傳播與優化
   1. 梯度下降法原理
   2. 反向傳播算法
   3. 隨機梯度下降(SGD)

實例：實現梯度下降算法

1. 復合材料研究中的多層感知機(MLP)
   1. MLP架構設計
   2. MLP的訓練過程
   3. MLP在回歸和分類中的應用

實例：構建簡單的MLP解決復合材料中的回歸問題

1. PINNs
   1. PINN基本原理
   2. 彈簧振動正問題中的PINNs
   3. 彈簧振動逆問題中的PINNs

實例：使用PyTorch構建PINNs

1. GAN
   1. GAN基本原理
   2. 針對表格數據的GAN
   3. 增強數據的評估指標

實例：構建GAN生成水泥基復合材料數據

1. 可解釋性機器學習方法-SHAP
   1. SHAP理論基礎
   2. 計算和解釋SHAP值

實例：復合材料中應用SHAP進行模型解釋和特征理解

論文復現機器學習綜合應用以及SCI文章寫作

論文實例解讀與復現：選擇兩篇應用機器學習研究水泥基復合材料的SCI論文

1. Comparison of traditional and automated machine learning approaches in predicting the compressive strength of graphene oxide/cement composites. Construction and Building Materials, 2023, 394: 132179.

2. Machine learning aided uncertainty analysis on nonlinear vibration of cracked FG-GNPRC dielectric beam. Structures, 2023, 58: 105456.

• 論文中使用的復合材料數據集介紹
• 論文中的復合材料特征選擇與數據預處理方法
• 論文中使用的模型結構與構建
• 機器學習研究復合材料的超參數調整
• 復合材料研究中機器學習模型性能評估
• 復合材料機器學習研究結果可視化

課程總結與未來展望

• 課程重點回顧
• 機器學習在復合材料中的未來發展方向
• 如何繼續學習和深入研究
• Q&A環節