At introducere den studerende til anvendelser af machine learning og kunstig intelligens med henblik på at forstå og designe materialer på atomart niveau. En studerende, der fuldt ud har opfyldt kursets mål, vil kunne:

• lave objekt-orienteret basal programmering i Python
• forstå det sandsynlighedsteoretiske grundlag for machine learning
• anvende machine-learningsmetoder som kernel regression, Gaussiske processer og neurale netværk
• forstå begrebet fingerprints i machine learning
• kende til eksisterende beregningbiblioteker til machine learning i Python
• forstå betydningen af atomare og elektroniske deskriptorer i materialedesign
• anvende offentligt tilgængelige databaser med beregnede materialeegenskaber
• lave simple screeninger af databaser for at finde materialer med bestemte egenskaber
• gennemføre et projekt med at identificere materialer med bestemte egenskaber ved anvendelse af machine learning og kunstig intelligens

Elementær objekt-orienteret programmering i Python. Sandsynlighedsteori og Bayes' teorem. Machine learnings metoder: lineære basisfunktionsmodeller, kernel regression, Gaussiske processer og neurale netværk. Beregning af hyperparametre. Python-biblioteker til machine learning og kunstig intelligens. Fingerprints. Beregning af deskriptorer for materialeegenskaber. Web-baserede databaser med materialeegenskaber. Søgning i databaser for bestemte materialeegenskaber. Anvendelse af machine learning og kunstig intelligens ved materiale-screening. 04. maj, 2026