01
材料科学AI概述
AI在材料科学中的角色、核心概念（机器学习、深度学习、数据驱动）、工具链全景图。
全景入门
02
Python基础速通（上）
Python环境配置（Anaconda/Jupyter）、变量与数据类型、列表与字典、条件与循环。
编程环境
03
Python基础速通（下）
函数与模块、文件读写（CSV/JSON）、面向对象编程基础、异常处理。
函数OOP
04
科学计算库NumPy
数组创建与操作、矩阵运算、随机数生成、线性代数与统计函数。
数组矩阵
05
数据分析库Pandas
Series与DataFrame、数据清洗（缺失值/重复值）、数据筛选与分组、文件导入导出。
清洗表格
06
数据可视化Matplotlib与Seaborn
折线图、散点图、热力图、分布图、自定义样式与子图。
绘图风格
07
材料数据获取与处理
Materials Project API、ICSD数据库、Web Scraping基础、数据标准化与归一化。
API爬虫
08
特征工程（上）
元素属性特征（电负性、原子半径）、组合特征（形成能、带隙）、描述符构建。
描述符元素
09
特征工程（下）
结构特征（空间群、晶格常数）、谱学特征（XRD、XPS）、特征选择与降维（PCA）。
结构降维
10
机器学习基础（上）
监督学习 vs 非监督学习、训练集/验证集/测试集划分、过拟合与欠拟合。
概念划分
11
机器学习基础（下）
回归（线性回归、决策树回归）、分类（逻辑回归、SVM、随机森林）、聚类（K-Means）。
回归分类
12
Scikit-learn实战
模型训练与评估（R²、MAE、F1-score）、交叉验证、超参数调优（GridSearchCV）。
调参评估
13
深度学习基础
神经网络原理、激活函数（ReLU、Sigmoid）、损失函数与优化器（Adam、SGD）。
神经网络优化
14
PyTorch入门（上）
张量操作、自动求导、构建简单全连接网络。
张量自动求导
15
PyTorch入门（下）
数据集与DataLoader、训练循环、模型保存与加载。
DataLoader保存
16
图神经网络（GNN）基础
图数据结构、消息传递机制、GCN与GAT原理。
GNN图数据
17
GNN在材料科学中的应用
晶体图神经网络（CGCNN）、MEGNet、材料性质预测实战。
CGCNN预测
18
NLP在材料科学中的应用
文献挖掘、命名实体识别（NER）、BERT微调。
NLPBERT
19
生成模型与逆向设计
变分自编码器（VAE）、生成对抗网络（GAN）、新材料生成案例。
生成逆向
20
主动学习与贝叶斯优化
主动学习策略、高斯过程、实验设计优化。
主动学习贝叶斯
21
高通量计算与自动化流程
AFLOW、FireWorks工作流、pymatgen自动化。
高通量工作流
22
材料数据库与知识图谱
Materials Project、OQMD、NOMAD、知识图谱构建。
数据库知识图谱
23
模型可解释性（XAI）
SHAP、LIME、特征重要性分析、物理一致性检查。
可解释SHAP
24
迁移学习与预训练模型
MatBERT、MatterGen、跨材料体系迁移。
迁移预训练
25
多模态学习
融合结构、成分、谱学数据、多任务学习。
多模态融合
26
不确定性量化
贝叶斯神经网络、蒙特卡洛Dropout、置信区间估计。
不确定性贝叶斯
27
模型部署与工程化
ONNX导出、Flask API、Docker容器化、CI/CD。
部署Docker
28
案例实战（一）
基于成分预测材料带隙（回归任务全流程）。
带隙回归
29
案例实战（二）
基于结构预测催化活性（分类与图网络结合）。
催化GNN
30
前沿趋势与未来展望
AI for Science、大语言模型在材料科学中的应用、自主实验室。
前沿AI4S