做材料实验，最让人头疼的往往不是实验本身，而是不知道下一组该做什么。参数那么多，靠经验一组组试，耗时又耗成本。
机器学习真正能帮上忙的地方，就是从已有实验数据中找到规律，提前筛出更值得验证的方向。
但问题是：Excel里的实验数据，怎么才能变成可信、可解释的预测结果？科学指南针的【机器学习预测材料性质】课程来啦！
8月21日，在杭州，高校硕导、全网拥有53万+粉丝的“正儿八经的陈老师”，将带大家从0到1跑通机器学习在材料科研中的完整应用流程。陈老师长期从事能源化工与智慧能源研究，发表SCI论文50余篇。
本次课程不止教你运行模型，更会结合真实科研场景，讲清楚实验数据如何整理、模型是否可信、影响因素怎样解释，以及如何用预测结果指导下一组实验。
扫码添加助教获取资料大纲
手里的Excel数据，还能做什么？
几十到几百组材料组成、制备参数和性能数据，也可以尝试用机器学习：
分析影响材料性能的关键因素；
预测新配方或新参数下的实验结果；
筛选更值得优先验证的实验方案。
数据量不是唯一标准，数据质量、变量数量和验证方法同样重要。
真正的难点在于：缺失值和异常值怎么处理？输入特征怎么选？如何避免过拟合？SHAP结果又该怎样转化为科研结论？
材料人需要掌握的是：
数据处理—特征构建—模型训练—
效果验证—结果解释
把这套流程用到具体的材料问题中，机器学习才能真正服务自己的课题。
三天线下课，会具体学到什么？
此次课程面向零基础学员，围绕材料性质预测的完整流程展开。课程不会把重点放在复杂的数学推导上，而是通过代码实操和材料案例，帮助学员理解每一步为什么这样处理，以及如何迁移到自己的研究中。
报名前，可以先梳理一下自己的数据
如果你已经积累了一批实验数据，可以先想清楚几个问题：
1.目前有多少组数据，以什么格式保存？
2.数据中包含哪些实验条件和性能指标？
3.想解决的是性能预测、材料分类，还是影响因素分析？
4.是否有明确的预测目标，如容量、转化率、强度或稳定性？
5.目前是否接触过Python或机器学习？
带着这些问题学习，更容易判断现有课题可以从哪里开始，也更容易把课堂方法迁移到自己的数据中。
扫码添加助教获取资料大纲
机器学习不是替代实验，而是用已有数据预测性能、筛选方向，让下一组实验更有依据。
但机器学习自学门槛较高，自己摸索既耗时，也容易只会跑代码、理不清分析逻辑。想少走弯路，建议选择适合自己的课程系统学习。
扫码添加课程顾问，发送“机器学习”，即可领取资料大纲，也可以带着自己的研究方向和数据情况进行咨询，提前判断现有数据是否适合开展机器学习分析。
