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
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.