Aprendizagem de Máquina em Química: Um Curso Introdutório Prático e Centrado em Dados de Aprendizagem de Máquina para Estudantes de Licenciatura 1. Este curso inovador, Aprendizagem de Máquina em Química (MLChem), é projetado especificamente para estudantes de licenciatura, preenchendo a lacuna entre a educação química tradicional e as modernas técnicas de aprendizagem de máquina. Ele introduz 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 agrupamento e regressão, para arquiteturas avançadas de redes neurais, incluindo CNNs, GNNs e RNNs. O curso também abrange tópicos de ponta, como aprendizagem por reforço para retrosíntese e campos de força baseados em IA, proporcionando aos estudantes tanto conhecimento fundamental quanto exposição a aplicações de fronteira. 3. Uma característica chave do MLChem é sua abordagem prática. Os estudantes trabalham com conjuntos de dados químicos reais, como o conjunto de dados de solubilidade de pequenas moléculas e o conjunto de dados de atividade de peptídeos, para desenvolver habilidades práticas em featurização molecular, redução de dimensionalidade e previsão de propriedades. As tarefas são modeladas com base em desafios inspirados em pesquisa, preparando os estudantes para aplicações do mundo real. 4. O curso enfatiza a importância da representação molecular, introduzindo os estudantes a várias maneiras de como as moléculas podem ser codificadas, como coordenadas 3D, estruturas de grafos e strings SMILES. Este conhecimento fundamental ajuda os estudantes a entender como diferentes representações influenciam os resultados dos modelos 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 ponta em química. 6. Os materiais do curso, incluindo notebooks Jupyter e tarefas de casa, estão disponíveis publicamente através do site do curso. Este acesso aberto permite que estudantes e educadores em todo o mundo se beneficiem dos recursos e os adaptem para suas próprias necessidades de aprendizagem e ensino. 📜Artigo: #MachineLearning #Chemistry #Education #Undergraduate #DataScience #NeuralNetworks #Research