Aprendizaje Automático en Química: Un Curso Introductorio Práctico y Centrado en Datos de Aprendizaje Automático para Estudiantes de Grado 1. Este innovador curso, Aprendizaje Automático en Química (MLChem), está diseñado específicamente para estudiantes de grado, cerrando la brecha entre la educación química tradicional y las modernas técnicas de aprendizaje automático. Introduce algoritmos fundamentales de ML utilizando conjuntos de datos químicos auténticos, asegurando una relevancia inmediata en el campo. 2. MLChem avanza desde algoritmos básicos de ML como agrupamiento y regresión hasta arquitecturas avanzadas de redes neuronales, incluyendo CNNs, GNNs y RNNs. El curso también abarca temas de vanguardia como el aprendizaje por refuerzo para la retrosíntesis y campos de fuerza basados en IA, proporcionando a los estudiantes tanto conocimientos fundamentales como exposición a aplicaciones de frontera. 3. Una característica clave de MLChem es su enfoque práctico. Los estudiantes trabajan con conjuntos de datos químicos reales, como el conjunto de datos de solubilidad de pequeñas moléculas y el conjunto de datos de actividad de péptidos, para desarrollar habilidades prácticas en la caracterización molecular, reducción de dimensionalidad y predicción de propiedades. Las tareas están modeladas en desafíos inspirados en la investigación, preparando a los estudiantes para aplicaciones del mundo real. 4. El curso enfatiza la importancia de la representación molecular, introduciendo a los estudiantes a diversas formas en que las moléculas pueden ser codificadas, como coordenadas 3D, estructuras de grafos y cadenas SMILES. Este conocimiento fundamental ayuda a los estudiantes a entender cómo diferentes representaciones influyen en los resultados de los modelos en química. 5. MLChem también incluye conferencias sobre aplicaciones avanzadas, como el uso de Transformers para el modelado del lenguaje químico y el ajuste fino de modelos de lenguaje de proteínas. Estos temas demuestran cómo los conceptos fundamentales de ML se conectan con los avances científicos de vanguardia en química. 6. Los materiales del curso, incluidos los cuadernos de Jupyter y las tareas, están disponibles públicamente a través del sitio web del curso. Este acceso abierto permite a estudiantes y educadores de todo el mundo beneficiarse de los recursos y adaptarlos a sus propias necesidades de aprendizaje y enseñanza. 📜Artículo: #MachineLearning #Chemistry #Education #Undergraduate #DataScience #NeuralNetworks #Research