Aprendizado de máquina em química: um curso introdutório prático de aprendizado de máquina baseado em dados para alunos de graduação 1. Este curso inovador, Machine Learning in Chemistry (MLChem), foi desenvolvido especificamente para estudantes de graduação, preenchendo a lacuna entre o ensino tradicional de química e as técnicas modernas de aprendizado de máquina. Ele apresenta algoritmos fundamentais de ML usando conjuntos de dados químicos autênticos, garantindo relevância imediata para o campo. 2. O MLChem progride de algoritmos básicos de ML, como clustering e regressão, para arquiteturas avançadas de redes neurais, incluindo CNNs, GNNs e RNNs. O curso também abrange tópicos de ponta, como aprendizado por reforço para retrossíntese e campos de força baseados em IA, fornecendo aos alunos conhecimento básico e exposição a aplicações de fronteira. 3. Uma característica fundamental do MLChem é sua abordagem prática. Os alunos trabalham com conjuntos de dados químicos reais, como o conjunto de dados de solubilidade de moléculas pequenas e o conjunto de dados de atividade peptídica, para desenvolver habilidades práticas em definição de recursos moleculares, redução de dimensionalidade e previsão de propriedades. As tarefas são modeladas em desafios inspirados em pesquisas, preparando os alunos para aplicações no mundo real. 4. O curso enfatiza a importância da representação molecular, apresentando aos alunos várias maneiras pelas quais as moléculas podem ser codificadas, como coordenadas 3D, estruturas gráficas e strings SMILES. Esse conhecimento fundamental ajuda os alunos a entender como diferentes representações influenciam os resultados do modelo em química. 5. O MLChem também inclui palestras sobre aplicações avançadas, como o uso de Transformers para modelagem de linguagem química e ajuste fino de modelos de linguagem de proteínas. Esses tópicos demonstram como os conceitos fundamentais de ML se conectam aos avanços científicos de última geração em química. 6. Os materiais do curso, incluindo cadernos Jupyter e tarefas de casa, estão disponíveis publicamente no site do curso. Esse acesso aberto permite que alunos e educadores em todo o mundo se beneficiem dos recursos e os adaptem às suas próprias necessidades de aprendizado e ensino. 📜Papel: #MachineLearning #Chemistry #Education #Undergraduate #DataScience #NeuralNetworks #Research