PředmětyPředměty(verze: 957)
Předmět, akademický rok 2024/2025
   Přihlásit přes CAS
Machine learning for pharmaceutical science - GDZSU01
Anglický název: Machine learning for pharmaceutical science
Zajišťuje: Katedra biofyziky a fyzikální chemie (16-16110)
Fakulta: Farmaceutická fakulta v Hradci Králové
Platnost: od 2023
Semestr: oba
Body: 0
E-Kredity: 0
Způsob provedení zkoušky: ústní
Rozsah, examinace: 0/1, Zk [HT]
Počet míst: zimní:neurčen / neurčen (neurčen)
letní:neurčen / neurčen (neurčen)
Minimální obsazenost: neomezen
4EU+: ne
Virtuální mobilita / počet míst pro virtuální mobilitu: ne
Kompetence:  
Stav předmětu: vyučován
Jazyk výuky: angličtina
Způsob výuky: prezenční
Způsob výuky: prezenční
Úroveň:  
Poznámka: předmět je určen pouze pro doktorandy
předmět je možno zapsat mimo plán
povolen pro zápis po webu
předmět lze zapsat v ZS i LS
Garant: Eugen Hruška, Ph.D.
Anotace
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.
Poslední úprava: Neznámá Renáta (24.01.2024)
Sylabus

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

Poslední úprava: Neznámá Renáta (24.01.2024)
 
Univerzita Karlova | Informační systém UK