Хемометрика и хемоинформатика

Бакалавриат 2024/2025

Статус: Курс обязательный (Химия)

Направление: 04.03.01. Химия

Кто читает: Факультет химии

Где читается: Факультет химии

Когда читается: 3-й курс, 1, 2 модуль

Формат изучения: без онлайн-курса

Охват аудитории: для своего кампуса

Преподаватели: Злобин Иван Сергеевич, Мезенцев Игорь Александрович

Язык: русский

Кредиты: 3

Полная версия программы учебной дисциплины Задать вопрос

Аннотация

Курс представляет собой введение в современные методы и области использования искусственного интеллекта для анализа химических данных. В блоке «Хемометрика» будут рассмотрены подходы к планированию и проведению аналитического эксперимента, автоматического сбора и агрегации результатов опытов, дизайну и построению статистических моделей анализа и визуализации экспериментальных данных в химии, включающим в себя уменьшение размерности данных, кластеризацию, классификацию и многомерную регрессию при помощи инструментария Python и методов машинного обучения. Блок «Хемоинформатика» посвящен использованию искусственного интеллекта для разработки компьютерных методов работы со структурной химической информацией, включая создание и оперирование химическими базами данных и установление и моделирование связи между структурами химических соединений и их свойствами. Для решения задач хемометрики и хемоинформатики будут рассмотрены и применены на практике традиционные подходы машинного обучения, такие как линейная регрессия с регуляризацией, деревья решений, случайный лес и градиентный бустинг; а также подходы глубинного обучения, такие как полносвязные, рекуррентные и сверточные нейронные сети. Курс рассчитан на студентов, обладающих базовыми навыками работы в python (владение основными структурами данных, такими как list, dict, tuple, array; подключение внешних библиотек; реализация арифметических операций, циклов, функций и классов; чтение внешних файлов и запись информации в них), представлениями о результатах аналитических экспериментов (вольтамперометрия, масс-спектрометрия, спектрофотометрия, ЯМР-спектроскопия, рентгеноструктурный анализ) и владеющими основными инструментами математического анализа, линейной алгебры и математической статистики (функция многих переменных, оператор набла (градиент, дивергенция, ротор), комплекснозначная функция, преобразование Фурье, операции над векторами/тензорами, линейное отображение, собственные вектора, системы линейных алгебраических уравнений, стандартное отклонение, методы построения статистических оценок, функция плотности распределения центральная предельная теорема).

Цель освоения дисциплины

Получение навыка работы с различными типами данных аналитического эксперимента

Планируемые результаты обучения

Получение навыка работы с различными типами данных аналитического эксперимента в Python
Ознакомление с принципами организации хемометрического эксперимента
Ознакомление с принципами статистических тестов, проверки гипотез и исследований корреляций в Python
Знакомство с принципами фильтрации, аугментации и понижения размерности данных для результатов аналитического эксперимента
Получение навыка визуального отображения результатов статистического исследования при помощи Jupyter Notebook
Овладение навыком применения моделей машинного обучения для решения задач регрессии, классификации и кластеризации на основе данных аналитического эксперимента при помощи Python
Ознакомление с принципами цифрового представления химических структур при помощи детерминированных алгоритмов и алгоритмов машинного обучения в Python
Знакомство со способами работы с химическим пространством и подходами к сравнению различных химических пространств между собой в Python
Знакомство с основными базами данных молекулярных структур, получение навыков работы с ними – работа с репозиториями и бенчмарк-датасетами и парсинг данных
Формирование базового представления о математических основах моделей машинного и глубокого обучения
Формирование принципов работы над задачами установления количественных корреляций структура-свойство в Python
Получение навыка написания и использования алгоритмов машинного и глубокого обучения для получения цифровых представлений молекулярных структур в Python и установления их взаимосвязей с физическими свойствами

Содержание учебной дисциплины

Введение: искусственный интеллект в химии
Планирование хемометрического эксперимента и работа с данными
Модели машинного обучения в хемометрике
Цифровые представления молекулярной структуры
Количественная оценка корреляций «структура-свойства»
Генеративные алгоритмы в химии

Элементы контроля

Домашнее задание с проверкой преподавателем 1
Процедура сдачи домашних заданий с проверкой преподавателем: 1. Перед выполнением задания студент устанавливает на персональный компьютер Jupyter Notebook либо использует Google Colab. 2. Студент отправляет ipynb-файл из Jupyter Notebook или ссылку на выполненное задание в Google Colab по адресу электронной почты, обговоренной с преподавателем. Название файла должно содержать номер группы, фамилию и имя студента. В случае использования Google Colab студент должен убедиться, что по предоставленной ссылке есть доступ. 3. Преподаватель оставляет обратную связь на выполненную работу через электронную почту и выставляет оценку
Домашнее задание с проверкой преподавателем 2
Процедура сдачи домашних заданий с проверкой преподавателем: 1. Перед выполнением задания студент устанавливает на персональный компьютер Jupyter Notebook либо использует Google Colab. 2. Студент отправляет ipynb-файл из Jupyter Notebook или ссылку на выполненное задание в Google Colab по адресу электронной почты, обговоренной с преподавателем. Название файла должно содержать номер группы, фамилию и имя студента. В случае использования Google Colab студент должен убедиться, что по предоставленной ссылке есть доступ. 3. Преподаватель оставляет обратную связь на выполненную работу через электронную почту и выставляет оценку
Итоговая работа по 2-му модулю
Итоговый экзамен по дисциплине проводится в форме выполнения итоговой работы по во 2-ом модуле дисциплины. Студентам предлагается выполнить задание, которое может включать в себя элементы всех тем курса. Результатом работы студента является ipynb-файл из Jupyter Notebook, направленное по адресу электронной почты, обговоренной с преподавателем. Название файла должно содержать номер группы, фамилию и имя студента. Студент выполняет итоговое задание за два дня до назначенной даты экзамена по дисциплине. На экзамене преподаватель даёт студентам обратную связь и в рамках устного опроса определяет мотивацию использования представленных студентом методов, понимание их алгоритма работы и ограничений и выставляет оценку.

Промежуточная аттестация

2024/2025 2nd module
0.3 * Домашнее задание с проверкой преподавателем 1 + 0.3 * Домашнее задание с проверкой преподавателем 2 + 0.4 * Итоговая работа по 2-му модулю

Список литературы

Авторы

Еремейкина Елена Алексеевна
Постриганова Анастасия Владимировна

Программа дисциплины