GitHub
Curso de 4 Módulos

IA Aplicada à Química

Dos fundamentos de ML às redes neurais de grafos

Um curso prático cobrindo aprendizado de máquina, deep learning, redes neurais de grafos e redes neurais convolucionais aplicados a problemas de química. Notebooks interativos no Google Colab.

Explorar MódulosRepositório do Curso
Module 1

Fundamentos de ML

Fundamentos de aprendizado de máquina aplicados a problemas químicos. Cobre pré-processamento de dados, engenharia de features para descritores moleculares e algoritmos clássicos de ML como random forests e SVMs para predição de propriedades moleculares.

Notes

  • 1Pipelines Scikit-learn para dados moleculares: escalonamento, divisão e validação cruzada.
  • 2Descritores moleculares e fingerprints (RDKit) como features de entrada para modelos de ML.
  • 3Comparação de regressão linear, random forests e gradient boosting para predição de propriedades.
Module 2

Deep Learning

Introdução a redes neurais e arquiteturas de deep learning. Aprenda sobre redes feedforward, funções de ativação, backpropagation e estratégias de treinamento projetadas especificamente para conjuntos de dados químicos.

Notes

  • 1Construindo redes neurais em PyTorch: camadas, ativações e funções de perda.
  • 2Técnicas de regularização: dropout, batch normalization e early stopping.
  • 3Ajuste de hiperparâmetros e agendamento de taxa de aprendizado para modelos de propriedades moleculares.
Module 3

Redes Neurais de Grafos e MPNNs

Representações moleculares como grafos e redes neurais de passagem de mensagens. Explore como GNNs aprendem features moleculares diretamente da conectividade atômica para predição de propriedades e triagem virtual.

Notes

  • 1Moléculas como grafos: átomos como nós, ligações como arestas, com vetores de features.
  • 2Framework de passagem de mensagens: operações de agregação, atualização e leitura.
  • 3Prática com PyTorch Geometric para tarefas de predição de propriedades moleculares.
Module 4

Redes Neurais Convolucionais

Redes neurais convolucionais para representações de imagens moleculares e aprendizado baseado em fingerprints. Explore como padrões espaciais em dados moleculares podem ser capturados com arquiteturas CNN.

Notes

  • 1Representando moléculas como imagens 2D e matrizes de Coulomb para entrada de CNN.
  • 2Camadas convolucionais, pooling e mapas de features aplicados a estruturas químicas.
  • 3Transfer learning de modelos de visão pré-treinados para classificação molecular.