SubjectsSubjects(version: 953)
Course, academic year 2023/2024
   Login via CAS
Machine learning for pharmaceutical science - GDZSU01
Title: Machine learning for pharmaceutical science
Guaranteed by: Department of Biophysics and Physical Chemistry (16-16110)
Faculty: Faculty of Pharmacy in Hradec Králové
Actual: from 2023
Semester: both
Points: 0
E-Credits: 0
Examination process: oral
Hours per week, examination: 0/1, Ex [HT]
Capacity: winter:unknown / unknown (unknown)
summer:unknown / unknown (unknown)
Min. number of students: unlimited
4EU+: no
Virtual mobility / capacity: no
Key competences:  
State of the course: taught
Language: English
Teaching methods: full-time
Teaching methods: full-time
Level:  
Note: course is intended for doctoral students only
course can be enrolled in outside the study plan
enabled for web enrollment
you can enroll for the course in winter and in summer semester
Guarantor: Eugen Hruška, Ph.D.
Annotation - Czech
Tento kurz poskytuje přehled strojového učení relevantního pro farmaceutickou vědu od základních konceptu až po praktické dovednosti. This course teaches an overview of machine learning relevant to pharmaceutical science from basic concepts to practical skills.
Last update: Neznámá Renáta (24.01.2024)
Syllabus - Czech

1) obecné principy strojového učení, dělení dat, účelová funkce

2) strojové učení pod dohledem a bez dohledu, klasifikace a regrese, inference

3) strojové učení pomocí scikit-learn

4) aplikace na molekuly a grafové neuronové sítě

5) aplikace na proteiny

6) aplikace na predikci retrosyntézy

7) ladění hyperparametrů, bayesovská optimalizace a vícekriteriální optimalizace

8) odhad nejistoty a vysvětlení předpovědí

9) generativní modely a difuzní modely

1) general principles of machine learning, data splitting, loss function 2) supervised and unsupervised machine learning, classification and regression, inference 3) machine learning using scikit-learn 4) application to molecules and graph neural networks 5) application to proteins 6) application to retrosynthesis prediction 7) hyperparameter tuning, bayesian optimization and multi-objective optimization 8) uncertainty estimation and explainable predictions 9) generative models and diffusion models

Last update: Neznámá Renáta (24.01.2024)
 
Charles University | Information system of Charles University | http://www.cuni.cz/UKEN-329.html