Машинне навчання в хімії: практичний вступний курс машинного навчання для студентів бакалаврату 1. Цей інноваційний курс «Машинне навчання в хімії» (MLChem) розроблений спеціально для студентів бакалаврату, долаючи розрив між традиційною освітою з хімії та сучасними методами машинного навчання. Він вводить фундаментальні алгоритми машинного навчання з використанням автентичних наборів хімічних даних, що забезпечує негайну актуальність для цієї галузі. 2. MLChem переходить від базових алгоритмів машинного навчання, таких як кластеризація та регресія, до передових архітектур нейронних мереж, включаючи CNN, GNN та RNN. Курс також охоплює передові теми, такі як навчання з підкріпленням для ретросинтезу та силові поля на основі штучного інтелекту, надаючи студентам як базові знання, так і знайомство з прикордонними застосуваннями. 3. Ключовою особливістю MLChem є його практичний підхід. Студенти працюють з реальними наборами хімічних даних, такими як набір даних про розчинність малих молекул та набір даних про активність пептидів, щоб розвинути практичні навички з молекулярної функції, зменшення розмірності та прогнозування властивостей. Завдання створюються за зразком завдань, натхненних дослідженнями, готуючи учнів до застосування в реальному світі. 4. У курсі наголошується на важливості молекулярного представлення, знайомлячи студентів з різними способами кодування молекул, такими як 3D-координати, структури графів і рядки SMILES. Ці базові знання допомагають учням зрозуміти, як різні уявлення впливають на результати моделей з хімії. 5. MLChem також включає лекції про передові програми, такі як використання трансформаторів для моделювання хімічної мови та тонкого налаштування моделей білкової мови. Ці теми демонструють, як фундаментальні концепції машинного навчання пов'язані з сучасними науковими досягненнями в галузі хімії. 6. Матеріали курсу, включаючи зошити Jupyter та домашні завдання, знаходяться у відкритому доступі на веб-сайті курсу. Цей відкритий доступ дозволяє студентам і викладачам у всьому світі скористатися ресурсами та адаптувати їх для власних потреб у навчанні та викладанні. 📜Папір: #MachineLearning #Chemistry #Education #Undergraduate #DataScience #NeuralNetworks #Research