Maskininlärning i kemi: En datacenterd, praktisk introduktionskurs i maskininlärning för studenter på grundnivå 1. Denna innovativa kurs, Machine Learning in Chemistry (MLChem), är utformad speciellt för studenter på grundnivå och överbryggar klyftan mellan traditionell kemiutbildning och moderna maskininlärningstekniker. Den introducerar grundläggande ML-algoritmer med hjälp av autentiska kemiska datamängder, vilket säkerställer omedelbar relevans för området. 2. MLChem går från grundläggande ML-algoritmer som klustring och regression till avancerade neurala nätverksarkitekturer, inklusive CNNs, GNNs och RNNs. Kursen täcker också banbrytande ämnen som förstärkningsinlärning för retrosyntes och AI-baserade kraftfält, vilket ger studenterna både grundläggande kunskaper och exponering för gränstillämpningar. 3. En nyckelfunktion hos MLChem är dess praktiska tillvägagångssätt. Studenterna arbetar med verkliga kemiska datamängder, såsom datauppsättningen för löslighet av små molekyler och datauppsättningen för peptidaktivitet, för att utveckla praktiska färdigheter i molekylär funktionalisering, dimensionsreduktion och egenskapsförutsägelse. Uppgifterna är utformade efter forskningsinspirerade utmaningar och förbereder eleverna för verkliga tillämpningar. 4. Kursen betonar vikten av molekylär representation och introducerar studenterna till olika sätt som molekyler kan kodas, såsom 3D-koordinater, grafstrukturer och SMILES-strängar. Denna grundläggande kunskap hjälper eleverna att förstå hur olika representationer påverkar modellresultat i kemi. 5. MLChem innehåller också föreläsningar om avancerade tillämpningar, som att använda transformatorer för kemisk språkmodellering och finjustering av proteinspråkmodeller. Dessa avsnitt visar hur grundläggande ML-begrepp är kopplade till de senaste vetenskapliga framstegen inom kemi. 6. Kursmaterialet, inklusive Jupyter-anteckningsböcker och hemuppgifter, är offentligt tillgängligt via kursens webbplats. Denna öppna tillgång gör det möjligt för elever och lärare över hela världen att dra nytta av resurserna och anpassa dem för sina egna inlärnings- och undervisningsbehov. 📜Papper: #MachineLearning #Chemistry #Education #Undergraduate #DataScience #NeuralNetworks #Research