Машинное обучение, анализ данных и нейронные сети в дизайне химических веществ с заданными свойствами
Химический факультет

Курс разработан так, чтобы отразить современное состояние химической науки — state-of-the-art — языком, доступным специалистам из других областей. Активное внедрение методов машинного обучения и науки о данных позволило по-настоящему реализовать концепцию рационального дизайна — направленного дизайна веществ с заданными оптимальными свойствами на основе уже имеющихся данных. Традиционный метод проб и ошибок с привлечением эвристической оценки зачастую чересчур дорог. Новый же подход освежил и исследования в области медицинской химии, в которой разработка специализированного искусственного интеллекта преследуется несколько десятилетий в рамках методов QSPR/QSAR, и другие области, такие, как материаловедение, катализ, органический синтез. Мы обсудим одни из наиболее ярких научных работ последних лет, рассмотрим несложные примеры использования машинного обучения в общей и медицинской химии, катализе, материаловедении. Для демонстрации будут использоваться Jupiter Notebook, свободно распространяемые прикладные библиотеки Python и открытые наборы данных.

Для полного понимания курса желательно (но не строго обязательно), чтобы обучающийся умел писать простые скрипты на языке Python с использованием Jupiter Notebook и имел представление о возможностях прикладных библиотек NumPy и scikit-learn. Курс подойдет для студентов любых специальностей, и особо рекомендуется студентам специальностей, смежных с химией: материаловедам, биологам, студентам ФФМ МГУ, а также геологам.