تولید گراف برای کشف دارو با استفاده از پایتون و کراس
✅ سرفصل و جزئیات آموزش
آنچه یاد خواهید گرفت:
- درک مبانی تولید گراف و کاربردهای آن در حوزههای مختلف
- یاد میگیرید که چگونه ساختارهای مولکولی با استفاده از کتابخانه RDKit در پایتون دستکاری کنید.
- کسب مهارت در پیشپردازش داده شیمیایی ذخیره شده در فایلهای CSV
- توسعه درک خود از نگاشت نمادهای اتم و انواع پیوندها به نمایشهای عددی
- یادگیری تبدیل رشتههای SMILES به نمایشهای گرافی
- درک مفاهیم شبکههای مولد متخاصم (GANs) و کاربرد آنها در تولید گراف
- پیادهسازی مولد گراف با استفاده از تنسورفلو و کراس برای تولید گرافهای مولکولی
- ایجاد مدل Discriminator برای ارزیابی کیفیت گرافهای تولید شده.
- یادگیری درباره چارچوب Wasserstein GAN برای بهبود پایداری فرآیند آموزش GAN
- کسب تجربه عملی در آموزش و فاین تیونینگ مدلهای GAN برای تسکهای تولید گراف
- درک اهمیت شتابدهی با GPU و نحوه پیکربندی آن برای محاسبات سریعتر
- توسعه توانایی ذخیره و بارگذاری وزنهای مدل برای استفاده بعدی
- کسب مهارت در تولید گرافهای مولکولی با استفاده از مدل آموزش دیده GAN
- یاد میگیرید که ساختارهای مولکولی تولید شده را مصورسازی و تحلیل کنید.
توضیحات دوره
آیا به دنیای ساختارهای مولکولی، کشف دارو، و مدلهای مولد علاقهمند هستید؟ دیگر لازم نیست جایی بروید. این دوره هیجانانگیز شما را به سفر در دنیای جذاب تولید گراف و کاربردهای واقعی آن میبرد.
در این دوره، ابتدا مبانی نمایش مولکولی با استفاده از حاشیهنویسی SMILES و نحوه تبدیل آنها به ساختارهای گراف با استفاده از کتابخانه قدرتمند RDKit را بررسی میکنیم. شما یاد میگیرید داده مولکولی را به صورتی موثر مدیریت و دستکاری کنید.
سپس به دنیای مدلهای مولد، به خصوص GraphWGAN (شبکه مولد متخاصم Wasserstein برای گراف) وارد میشویم. شما درک میکنید که چگونه GraphWGAN قدرت شبکههای مولد متخاصم (GAN) و شبکههای عصبی گراف (GNN) را ترکیب میکند تا گرافهای مولکولی واقعی و متنوع بسازد.
در طول دوره، ما مدلهای مولد و discriminator را ساخته و آموزش میدهیم و میآموزیم چگونه آنها با هم همکاری میکنند تا مولکولهای جدیدی ایجاد کنند که شباهت زیادی به ترکیبات شیمیایی واقعی دارند. نکته دیگر، هنر تیونینگ هایپرپارامترها و بهینهسازی فرآیند آموزش برای رسیدن به نتایج بهتر است.
اما سفر به اینجا ختم نمیشود! ما کاربردهای واقعی تولید گراف را به خصوص در کشف دارو و علم مواد بررسی میکنیم. شما خواهید دید که چگونه این فناوری پیشرفته، صنعت داروسازی را متحول کرده، روند توسعه دارو را تسریع کرده و به تحقیقات نوآورانه کمک میکند.
با پیشروی در بخشهای عملی دوره، تجربه کار عملی با تنسورفلو، کراس و دیگر کتابخانههای حیاتی را به دست میآورید و مهارتهای خود در یادگیری ماشین و دستکاری داده را پرورش میدهید.
در پایان دوره، شما دانش و مهارتهای لازم برای انجام مستقل تسکهای تولید گراف را کسب میکنید. همچنین پورتفولیویی از پروژههای تاثیرگذار خواهید داشت که تخصص شما در این حوزه هیجانانگیز را نشان میدهد.
افقهای شغلی در دنیای تولید گراف و هوش مصنوعی بسیار گسترده است! صنایعی مانند داروسازی، بیوتکنولوژی و علم مواد به دنبال افرادی هستند که بتوانند از قدرت مدلهای تولید گراف برای تحقیقات نوآورانه و توسعه محصول بهرهبرداری کنند. بنابراین این دوره میتواند فرصتهای شغلی هیجانانگیز و پیشرفت شغلی را به روی شما باز کند.
اگر آمادهاید سفری را آغاز کنید که شیمی، هوش مصنوعی و تاثیر واقعی را به هم پیوند میدهد، با ما در این دوره هیجانانگیز «تولید گراف با GraphWGAN» همراه شوید. بیایید اسرار ساختارهای مولکولی را کشف کرده و قدرت مدلهای مولد را با هم آزاد کنیم.
همین حالا در دوره شرکت کرده و ماجراجویی را آغاز کنیم.
این دوره برای چه کسانی مناسب است؟
- مبتدیان یادگیری ماشین - اگر در حوزه یادگیری ماشین تازهکار هستید و میخواهید یاد بگیرید چگونه با تکنیکهای پیشرفته گرافهای مولکولی تولید کنید، این دوره شروعی ملایم و جامع برای شما خواهد بود.
- دانشمندان مشتاق داده - اگر مشتاق هستید که دانشمند داده شوید یا در حوزه تحلیل داده مرتبط با شیمی کار کنید، این دوره شما را با مهارتهای ارزشمند در تولید گراف و شبکههای عصبی آشنا میکند.
- علاقهمندان به شیمی - اگر زمینه یا علاقهای به شیمی دارید و میخواهید ببینید چگونه یادگیری ماشین میتواند در ساختارهای مولکولی و تولید گراف کاربردی باشد، این دوره پل ارتباطی میان شیمی و هوش مصنوعی است.
- برنامهنویسان پایتون - اگر با برنامهنویسی پایتون آشنایی دارید و میخواهید دانش خود را به حوزه یادگیری ماشین مبتنی بر گراف توسعه دهید، این دوره مسیر ساختاریافتهای برای شما ارائه میدهد.
- دانشجویان و پژوهشگران - چه دانشجو باشید و چه پژوهشگر، این دوره مهارتهای عملی و دانش لازم برای یکپارچهسازی تولید گراف با کارتان را فراهم میکند.
- علاقهمندان به یادگیری مادامالعمر - اگر فقط به تقاطع یادگیری ماشین، شیمی و تولید گراف کنجکاوید، این دوره برای همه با هر سابقه و تجربهای مناسب است.
تولید گراف برای کشف دارو با استفاده از پایتون و کراس
-
مقدمه 00:48
-
توضیحاتی درباره این پروژه 00:53
-
چرا باید یاد بگیریم؟ 02:39
-
اپلیکیشنها 03:21
-
پایتون، کراس و Google Colab 01:32
-
راهاندازی دایرکتوری فعال 01:01
-
فایل qm9.csv چیست؟ 02:08
-
code.ipynb چیست؟ 00:31
-
اجرای کد 00:28
-
فعالسازی GPU 00:36
-
نصب گوگل درایو 01:28
-
نصب دو کتابخانه پایتون 02:00
-
ایمپورت چند کتابخانه 02:17
-
غیرفعالسازی قابلیت لاگ کردن 01:15
-
بارگذاری مجموعه داده 00:48
-
پردازش فایل CSV 02:16
-
انتخاب رشته خاص SMILES 00:42
-
تبدیل رشته SMILES 01:47
-
نگاشت نمادهای اتمی 02:25
-
نگاشت انواع پیوندها 02:34
-
ثابتها 02:18
-
تبدیل رشته SMILES به نمایش گراف 04:55
-
تبدیل نمایش گراف به آبجکت مولکول RDKit 05:38
-
نمایش گراف 00:21
-
تبدیل زیرمجموعهای از داده SMILES به تانسورهای گراف 03:13
-
تعریف مدل مولد 04:47
-
ساخت نمونهای از مدل GraphGenerator 01:54
-
تعریف یک لایه کانولوشن گراف سفارشی 05:48
-
ایجاد مدل discriminator 03:55
-
ایجاد مدل discriminator 02:29
-
شبکه مولد متخاصم Wasserstein (WGAN) 04:12
-
راهاندازی WGAN 02:07
-
آموزش 02:11
-
ذخیره و بارگذاری وزنهای مدل 02:35
-
مولکولهای نمونه 02:57
-
تولید مولکولها 01:18
-
نمایش مولکولها 02:47
مشخصات آموزش
تولید گراف برای کشف دارو با استفاده از پایتون و کراس
- تاریخ به روز رسانی: 1405/04/02
- سطح دوره:همه سطوح
- تعداد درس:37
- مدت زمان :01:24:54
- حجم :371.0MB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy