机器学习7 篇

回归、分类、表示学习与实验选样的方法，结合材料问题练习模型训练、验证和不确定性分析。

主动学习：用高斯过程选择下一次实验

在凝胶溶胀虚拟实验中比较随机、空间覆盖与不确定性选样，用高斯过程和校准区间安排下一轮测量。

把糖链连接编码为图，在真实糖链阵列数据上训练消息传递网络，并检查节点重编号、几何信息和独立数据划分的作用。

比较逻辑回归、支持向量机、决策树、集成模型、近邻与朴素贝叶斯的判断方式。结合概率阈值、混淆矩阵和交叉验证，理解分类错误的类型，并按实际问题选择评价指标与模型。

沿着线性回归、正则化、核方法、树集成与梯度提升，理解各类回归模型如何表达输入和数值目标之间的关系。结合残差、交叉验证与误差指标，判断模型复杂度并选择适合数据的方案。

从材料描述符与制备条件构造特征矩阵，处理分类变量、物理交互项和缺失信息。结合小样本特征选择与训练集内的缩放方法，说明怎样保留变量含义、避免目标泄漏，并让模型评价保持一致。

从神经元的加权求和与激活函数出发，逐步理解前向传播、损失函数、反向传播和梯度更新。再联系卷积、序列与注意力模型，讨论正则化、迁移学习及小样本研究中的选用方法。

从纤维样品的结构与制备特征出发，组织小样本回归的数据准备、预处理、模型比较与评价。结合交叉验证、Bootstrap 波动和特征重要性，理解数值预测如何与材料描述对应，并安排后续验证。