Курс предназначен для ознакомления слушателей с применением методов машинного обучения в различных областях химии.
Цель курса: познакомить слушателей с успешными примерами применения ML методов в прикладных химических задачах в различных разделах химической науки. Все примеры сопровождаются необходимой предварительной теоретической базой, анализом моделей, выделением плюсов и минусов выбранного подхода. Курс построен таким образом, что в рамках описанных задач читатель последовательно знакомится сначала с постановкой задачи, физико-химическим описанием проблемы, литературным анализом современного состояния теоретических моделей, основанных как на методах машинного обучения, так и на классическом рассмотрении. Проводится сравнительный анализ различных подходов и показана иерархия построения моделей начиная с самого начала изучения проблемы до текущих результатов, основанных на статьях 2020–2022 гг.
Компоновка курса по химическим задачам построена таким образом, чтобы на разных задачах последовательно показать разные концепции науки о больших данных и машинного обучения. Будут рассмотрены такие темы, как отбор характеристик, AutoML, рекуррентные нейронные сети и генеративные нейронные сети. Каждая тема курса подкрепляется практическими занятиями. Практические занятия курса проходят или непосредственно в режиме создания и исследования слушателями своих кодов на языке Python, или как работа с уже созданными и опубликованными в литературе моделями.
В конце курса слушателям будет предложено защитить свой проект, теоретический (с подробным описанием какого-либо метода или его части) или экспериментальный (с применением ML подхода к конкретной задаче), по возможности связанный с научной областью слушателя.
Занятия проходят в компьютерном классе химического факультета.
Факультативное посещение курса студентами других курсов приветствуется!