1. Modulverzeichnis (MTS)
  2. Module
  3. Modulbeschreibung anzeigen

Angewandtes maschinelles Lernen in der Chemie

Zur Modulseite PDF generieren

#20862 / #1

Seit WiSe 2023/24

English

Applied machine learning in chemistry
Angewandtes maschinelles Lernen in der Chemie

3

Ferreira Nunes Alves, Ariane

Unbenotet

Keine Prüfung

English

Zugehörigkeit


Fakultät II

Institut für Chemie

Keine Angabe

Keine Angabe

Kontakt


TC 7

Ferreira Nunes Alves, Ariane

ferreira.nunes.alves@tu-berlin.de

Keine Angabe

Lernergebnisse

Due to the availability of large data sets and increasing computational power, machine learning methods have been extensively used in chemistry and other fields. This course will explore the intersection of machine learning and chemistry, equipping students with the necessary skills to leverage advanced computational techniques to solve chemical problems. Through a hands-on approach, students will delve into the realm of machine learning and its application in chemistry, with an emphasis in challenges related to drug design and properties of small drug-like molecules. The course will cover topics in supervised machine learning, such as regression and classification. Students will gain a comprehensive understanding of different machine learning algorithms, and how to evaluate their performance. By the end of the course, students will be equipped with the skills to independently and accurately apply machine learning models for regression and classification problems in chemistry.

Lehrinhalte

The course will cover topics in supervised machine learning, such as regression and classification. The course will address theoretical and practical aspects of the following topics: • calculation of descriptors for small molecules using RDkit • data types; mean, standard deviation and related estimates; data distribution • training and test sets; strategies for cross-validation • supervised methods for classification: k-nearest neighbors, random forests, neural networks • metrics to evaluate classification performance • supervised methods for regression: linear regression, random forests, support vector machines, neural networks • metrics to evaluate regression performance The students are expected to have basic knowledge of programming in python.

Modulbestandteile

Compulsory area

Die folgenden Veranstaltungen sind für das Modul obligatorisch:

LehrveranstaltungenArtNummerTurnusSpracheSWS ISIS VVZ
Applied machine learning in chemistryIVWiSe/SoSeen2
ISIS-Kurssuche nach Veranstaltungen des Moduls

Arbeitsaufwand und Leistungspunkte

Applied machine learning in chemistry (IV):

AufwandbeschreibungMultiplikatorStundenGesamt
Attendance15.02.0h30.0h
Pre/post processing15.04.0h60.0h
90.0h(~3 LP)
Der Aufwand des Moduls summiert sich zu 90.0 Stunden. Damit umfasst das Modul 3 Leistungspunkte.

Beschreibung der Lehr- und Lernformen

Students are expected to read one book chapter before the exercise every week. In the classroom, they will perform programming exercises related to the book chapter using jupyter notebooks.

Voraussetzungen für die Teilnahme / Prüfung

Wünschenswerte Voraussetzungen für die Teilnahme an den Lehrveranstaltungen:

Anwendung von Computern in der Chemie, Data Analytics für Chemieingenieure und Chemiker.

Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:

Dieses Modul hat keine Prüfungsvoraussetzungen.

Abschluss des Moduls

Benotung

Unbenotet

Prüfungsform

No exam

Sprache(n)

English

Dauer/Umfang

---

Prüfungsbeschreibung (Abschluss des Moduls)

For each topic, programming exercises will be conducted using jupyter notebooks. All exercises must be completed. The students should work on a project with a data set and method of their choice. In the end, the students should present a seminar with results from their project.

Dauer des Moduls

Für Belegung und Abschluss des Moduls ist folgende Semesteranzahl veranschlagt:
1 Semester.

Dieses Modul kann in folgenden Semestern begonnen werden:
Winter- und Sommersemester.

Maximale teilnehmende Personen

Die maximale Teilnehmerzahl beträgt 16.

Anmeldeformalitäten

Die Anmeldung zur Modulprüfung erfolgt über die zentrale Online-Prüfungsverwaltung.

Literaturhinweise, Skripte

Skript in Papierform

Verfügbarkeit:  nicht verfügbar

 

Skript in elektronischer Form

Verfügbarkeit:  nicht verfügbar

 

Literatur

Empfohlene Literatur
Introduction to Machine Learning with Python: A Guide for Data Scientists. Andreas C. Müller and Sarah Guido, 2017. ISBN: 978-1-449-36941-5.

Zugeordnete Studiengänge


Diese Modulversion wird in folgenden Studiengängen verwendet:

Studiengang / StuPOStuPOsVerwendungenErste VerwendungLetzte Verwendung
Chemie (M. Sc.)14WiSe 2023/24SoSe 2025
Wahlmodul für die Studiengänge M.Sc. Biologische Chemie, M.Sc. Chemie, M.Sc. Biotechnologie

Sonstiges

Keine Angabe