Analiza danych chemicznych w Python - metody nadzorowane i nienadzorowane w chemii obliczeniowej
2-dniowy kurs “Analiza danych chemicznych w Python” jest skierowany do uczestników, którzy chcą zdobyć praktyczne umiejętności w użyciu języka Python do analizy danych chemicznych, metod uczenia nienadzorowanego i nadzorowanego oraz zadań modelowania molekularnego.
Po ukończeniu tego kursu uczestnicy będą wyposażeni w umiejętności efektywnej analizy danych chemicznych, tworzenia modeli uczenia maszynowego oraz będą znali podstawy wykorzystywania narzędzi programistycznych do pracy nad zadaniami w dziedzinie chemii obliczeniowej.
Kurs prowadzony jest w angielskim (lub polskim – jeśli cała grupa uczestników będzie polskojęzyczna).
*Cena zawiera: udział w zajęciach, materiały szkoleniowe, certyfikat uczestnictwa, catering kawowy.
Program szkolenia
Dzień 1: Przetwarzanie Danych i Metody Nienadzorowane
Sesja poranna:
Przetwarzanie i przygotowanie danych
- Wprowadzenie do kursu
- Zbieranie i Przetwarzanie Danych
a. Znaczenie jakości danych w analizie danych chemicznych.
b. Wprowadzenie do źródeł danych i metod zbierania danych.
c. Techniki przetwarzania danych do radzenia sobie z brakującymi wartościami, duplikatami i wartościami odstającymi. - Przetwarzanie Danych w Pythonie
a. Techniki przetwarzania danych za pomocą bibliotek Pythona (NumPy, Pandas).
b. Normalizacja danych, skalowanie i wybór cech.
Ćwiczenie Praktyczne: Uczestnicy będą pracować na dostarczonym zbiorze danych chemicznych i stosować techniki przetwarzania i przygotowania danych za pomocą Pythona.
Sesja popołudniowa:
Wprowadzenie do Analizy Danych Chemicznych i Nienadzorowanego Uczenia Maszynowego
- Podstawy Analizy Danych Chemicznych (ćwiczenia praktyczne w Pythonie).
a) Badanie różnych typów danych chemicznych (struktury molekularne, właściwości, deskryptory itp.).
b) Typowe wyzwania i kroki przetwarzania danych. - Metody Nienadzorowanego Uczenia Maszynowego (ćwiczenia praktyczne w Pythonie).
a) Nienadzorowane uczenie maszynowe i jego zastosowania w chemii obliczeniowej.
b) Przedstawienie różnych algorytmów nienadzorowanego uczenia maszynowego (grupowanie, analiza składowych głównych itp.).
Dzień 2: Metody Nadzorowane i Metodologia QSAR/QSPR
Sesja poranna:
Wprowadzenie do Uczenia Maszynowego z Nadzorem i Metodologii QSAR/QSPR
- Wprowadzenie do Uczenia Maszynowego z Nadzorem,
a) Typowe algorytmy uczenia maszynowego z nadzorem (regresja liniowa, drzewa decyzyjne, lasy losowe itp.).
b) Pojęcie nadmiernego dopasowania i metody jego redukcji.
Metodologia QSAR/QSPR
Wprowadzenie do koncepcji QSAR (związki struktura-aktywność) i QSPR (związki struktura-właściwość).
Sesja popołudniowa:
Uczenie maszynowe z nadzorem i ccena modelu.
- Budowanie Modeli Uczenia Maszynowego z Nadzorem w Pythonie (ćwiczenia praktyczne w Pythonie)
a) Implementacja modeli uczenia maszynowego z nadzorem za pomocą bibliotek Pythona (Scikit-learn).
b) Szkolenie modeli, walidacja i dostrojenie hiperparametrów. - Ocena i interpretacja modelu
a) Metryki oceny dla zadań regresji i klasyfikacji w analizie danych chemicznych.
b) Interpretacja i analiza wyników modelowania.
Ćwiczenia Praktyczne:
Uczestnicy będą pracować na dostarczonym zbiorze danych chemicznych, budować modele uczenia maszynowego z nadzorem i oceniać ich wydajność za pomocą Pythona.
Ćwiczenia praktyczne będą przeprowadzane za pomocą spersonalizowanych notatników Jupyter/Colab i interaktywnych środowisk Pythona, aby wzbogacić doświadczenie uczestników.
- Uczestnicy po ukończonym szkoleniu otrzymują certyfikat.
- Razem raźniej - otrzymaj 10% zniżki na szkolenie otwarte dla każdego kolejnego pracownika z Twojej firmy.
