یادگیری ماشین برای شیمی‌دان‌ها: کاربردهای عملی

آنچه یاد خواهید گرفت:

• اصول یادگیری ماشین و چگونگی اعمال آن‌ها بر مسائل شیمیایی را درک کنید. با اطمینان مجموعه‌داده‌ شیمیایی دنیای واقعی را برای کاربردهای یادگیری ماشین مدیریت کنید.
• الگوریتم‌های یادگیری نظارت‌شده و نظارت‌نشده را برای شیمی انتخاب و پیاده‌سازی کنید. متدهای رگرسیون، طبقه‌بندی و خوشه‌بندی را بر داده شیمیایی اعمال کنید.
• عملکرد مدل را با استفاده از معیارهای ارزیابی مرتبط با تحقیقات شیمیایی تفسیر کنید. مجموعه‌داده شیمیایی و پیش‌بینی‌های مدل را به‌طور مؤثر بصری‌سازی کنید.
• از کتابخانه‌های پایتون (scikit-learn ،pandas numpy) برای تسک های یادگیری ماشین در شیمی استفاده کنید. یادگیری ماشین را برای پیش‌بینی ویژگی‌های مولکولی مانند حلالیت و شکاف HOMO-LUMO اعمال کنید.
• مهارت‌های عملی برای ادغام یادگیری ماشین در شیمی به دست آورید. از بینش‌های یادگیری ماشین محور برای حمایت از انتشارات و پروژه‌های تحقیقاتی استفاده کنید.
• طیف‌های (طیف‌های مادون قرمز) هر ترکیب را از مخلوط طیف‌ها با استفاده از رویکردهای یادگیری ماشین جدا کنید.

پیش‌نیازهای دوره

• این دوره برای شیمی‌دان‌ها و محققانی طراحی شده است که می‌خواهند یادگیری ماشین را بر مسائل شیمیایی اعمال کنند. برای همراهی راحت، داشتن دانش اولهی از پایتون - مانند متغیرها، حلقه‌ها، توابع و کار با کتابخانه‌هایی مانند NumPy یا pandas بسیار مفید است.
• نیازی به مهارت‌های کدنویسی پیشرفته نیست، اما آشنایی ابتدایی با پایتون به شما کمک می‌کند تا بر مفاهیم شیمی و یادگیری ماشین تمرکز کنید و در مباحث برنامه‌نویسی پایه گیر نکنید. در صورتی که کاملاً مبتدی هستید، چند ویدیو در انتهای دوره اضافه شده است که می‌توانید ایده‌ای اولیه به دست آورید. 

توضیحات دوره

یادگیری ماشین در حال تغییر روشی است که شیمی‌دان‌ها داده را تحلیل می‌کنند، ویژگی‌ها را پیش‌بینی می‌کنند و کشفیات را در زمینه‌های مختلف شیمی تسریع می‌کنند. این دوره برای ارائه مهارت‌های عملی و اعتماد به نفس شما برای اعمال مستقیم یادگیری ماشین بر مسائل شیمیایی طراحی شده است.

از مبانی شروع می‌کنید و یاد خواهید گرفت که چگونه مجموعه‌داده شیمیایی را پیش‌پردازش کنید، توصیف‌گرهای مولکولی را بررسی کنید و الگوریتم‌های مناسب برای پیش‌بینی و طبقه‌بندی را انتخاب کنید. گام به گام، روش‌های رگرسیون، طبقه‌بندی و خوشه‌بندی را بر مثال‌های شیمیایی دنیای واقعی اعمال خواهید کرد. تجربه عملی با کتابخانه‌های پایتون مانند NumPy ،pandas ،matplotlib و scikit-learn به دست خواهید آورد - بدون اینکه با تئوری غیرضروری غرق شوید.

در طول دوره، مفاهیم یادگیری ماشین را با کاربردهای شیمیایی مرتبط می‌کنیم: پیش‌بینی ویژگی‌های مولکولی (حلالیت)، تحلیل طیف‌ها، طبقه‌بندی ترکیبات، تفکیک طیف‌های پیچیده مخلوط به طیف‌های فردی و گروه‌بندی مولکول‌های مشابه. در پایان، نه تنها چگونگی عملکرد این الگوریتم‌ها را درک خواهید کرد، بلکه می‌دانید چگونه آن‌ها را برای تحقیقات و پروژه‌های خود پیاده‌سازی کنید.

این فقط یک دوره برنامه‌نویسی نیست - یک تحول در چگونگی برخورد شما با شیمی است. با اصول محکم در اعمال یادگیری ماشین بر داده شیمیایی و توانایی مشارکت در تحقیقات مدرن و داده‌محور، دوره را به پایان خواهید برد.

این دوره برای چه کسانی مناسب است؟

• دانشجویان تحصیلات تکمیلی و محققان در شیمی یا مهندسی شیمی
• دانشمندان داده و مهندسان یادگیری ماشین که به کاربردهای علمی علاقه‌مند هستند.
• محققان دانشگاهی که می‌خواهند یادگیری ماشین را در تحقیقات شیمیایی ادغام کنند.
• متخصصان شیمی محاسباتی که می‌خواهند ابزارهای یادگیری ماشین خود را گسترش دهند.
• مدیران آزمایشگاه‌هایی که رویکردهای داده‌محور را برای طراحی آزمایشی پیاده‌سازی می‌کنند.