онлайн
Старт обучения
Специалист по хемоинформатике и молекулярному моделированию
попадите в резерв на 2025
Освоите базовые навыки Python для анализа и обработки данных, изучите основы машинного обучения, получите знания, необходимые для дальнейшего развития в хемоинформатике и молекулярном дизайне.
Длительность
3, 5 месяца
Документ
удостоверение о повышении квалификации
Формат
онлайн-лекции
Кому подойдет курс
Студентам
химических или биологических факультетов
*
– специалитета и бакалавриата (которые получат диплом не позже декабря 2025 года)
– магистратуры (любой курс)
– специалитета и бакалавриата (которые получат диплом не позже декабря 2025 года)
– магистратуры (любой курс)
Студентам
медицинских вузов или колледжей
*
которые получат диплом не позже декабря 2025 года
которые получат диплом не позже декабря 2025 года
Исследователям
в следующих областях:
– химия;
– биохимия;
– фармацевтика;
– медицина
– химия;
– биохимия;
– фармацевтика;
– медицина
Что вы изучите на курсе?
основы программирования на Python, которые сможете применять для анализа и обработки данных
базовые навыки в хемоинформатике и молекулярном дизайне
основы молекулярной фильтрации: критерии ADME и PAINS
графовые нейросети
основы машинного обучения
инструменты сбора данных о соединениях (ChEMBL, PubChem, QM9)
инструменты сбора данных о белках: Protein Data Bank (PDB)
Программа курса
1.1 Основы программирования
1.2 Введение в Python
1.3 Структуры данных в Python
1.4 Базовые алгоритмы Python
1.5 Введение в комбинаторику
1.6 Теория вероятностей
1.7 Статистика в Python
1.8 A/B Тестирование
1.9 Инструменты Python для обработки данных. Pandas
1.10 Визуализация на Python. Matplotlib. Seaborn. Plotly
1.2 Введение в Python
1.3 Структуры данных в Python
1.4 Базовые алгоритмы Python
1.5 Введение в комбинаторику
1.6 Теория вероятностей
1.7 Статистика в Python
1.8 A/B Тестирование
1.9 Инструменты Python для обработки данных. Pandas
1.10 Визуализация на Python. Matplotlib. Seaborn. Plotly
2.1 Источники данных. Структурированные и неструктурированные источники данных
2.2 Виды баз данных
2.3 Реляционные базы данных
2.4 SQL и получение данных
2.5 Применение соединения (JOIN) и агрегатные функции
2.2 Виды баз данных
2.3 Реляционные базы данных
2.4 SQL и получение данных
2.5 Применение соединения (JOIN) и агрегатные функции
3.1 Основы машинного обучения. Типы задач машинного обучения. Регрессия и классификация. Линейная регрессия и логистическая
3.2 Оценка качества алгоритмов машинного обучения. Метрики качества регрессии и классификации
3.4 k ближайших соседей. Метод опорных векторов
3.5 Решающее дерево
3.6 Ансамбли. Бэгинг. Бустинг
3.7 Алгоритмы понижения размерности
3.8 Виды кластеризации. k-means. Оценка качества кластеризации
3.9 Нейросети. PyTorch
3.2 Оценка качества алгоритмов машинного обучения. Метрики качества регрессии и классификации
3.4 k ближайших соседей. Метод опорных векторов
3.5 Решающее дерево
3.6 Ансамбли. Бэгинг. Бустинг
3.7 Алгоритмы понижения размерности
3.8 Виды кластеризации. k-means. Оценка качества кластеризации
3.9 Нейросети. PyTorch
1.1 Понятие химической структуры, топология и валентность в
химических соединениях
1.2 SMILES, SELFIES, молекулы как графы
1.3 Молекулярные дескрипторы
химических соединениях
1.2 SMILES, SELFIES, молекулы как графы
1.3 Молекулярные дескрипторы
2.1 Датасеты структура-свойство
2.2 Модели машинного обучения структура-свойство
2.3 Валидация моделей
2.4 Градиентный бустинг и тюнинг моделей
2.2 Модели машинного обучения структура-свойство
2.3 Валидация моделей
2.4 Градиентный бустинг и тюнинг моделей
3.1 Нежелательные фрагменты, механизмы побочных действий
3.2 Параметры ADME, поиск подфрагментов PAINS
3.2 Параметры ADME, поиск подфрагментов PAINS
4.1 GCNN
4.2 MPNN
4.3 DimeNet
4.4 SchNet
4.5 ALIGNN
4.2 MPNN
4.3 DimeNet
4.4 SchNet
4.5 ALIGNN
5.1 Модели структура-свойство на основе GCNN
5.2 Генеративные модели G-SchNet
5.2 Генеративные модели G-SchNet
6.1 Обнаружение активных участков связывания, моделирование белко-лигандных взаимодействий методом молекулярной динамики
6.2 Графовые нейросети и трансформеры для Structure-based drug
design (SBDD)
6.3 Введение в Alphafold
6.2 Графовые нейросети и трансформеры для Structure-based drug
design (SBDD)
6.3 Введение в Alphafold
Формат обучения
Онлайн-лекции
с преподавателем
Онлайн-консультации
с наставником для отработки полученных знаний
Поддержка
куратора и тьютора в процессе обучения
Нетворкинг
с одногруппниками в чате Telegram
Удостоверение о повышении квалификации
Слушателям курсов, успешно завершившим обучение, выдается удостоверение о повышении квалификации установленного образца с занесением в Федеральный реестр сведений о документах об образовании и повышении квалификации.
Помогаем получить новую профессию
Посмотрите, что выпускники говорят об обучении в Университете Иннополис
Использую в работе полученные знания ежедневно, это очень сильно упрощает мне работу. Занимаюсь отладкой и написанием автотестов на Java, API на RestAssured, UI-тестированием. После курса мне предложили перейти на новый проект и должность специалиста по автотестированию
Наставник вел нашу группу до победного конца, помогал разбираться со всеми возникающими вопросами. Базовые знания по HTML/CSS/JS раскрыты очень понятно. Домашние задания довольно интересные — от задач до написания страниц. Дальше был React и стало сложнее, но благодаря куратору, я не застрял и учебный проект завершил полностью. В общем, я не пожалел, что на курс пошел, прокачивает как есть
Хочу отметить кураторов и наставников, которые всегда помогали в освоении материала. Благодаря курсу я поверил в свои силы. Для этого нужно не жалеть себя, посвящать больше времени обучению, не стесняться задавать вопросы наставникам. Я овладел основами языка программирования Java, методологией разработки ПО, всеми видами тестирования ПО, изучил язык структурированных запросов SQL. В течение всего курса мы получали практическое применение знаниям.Также было практическое применение всего вышеперечисленного и многое другое в рамках этого курса
Моя основная профессия бухгалтер. В программе 1С работала всегда, но у меня были сложности из-за отсутствия полного понимания софта. Решила дополнить свои профессиональные навыки. Теперь я знаю 1С на уровне начинающего разработчика. Могу создать информационную базу для небольшой фирмы, доработать формы документа, справочников. Создать отчеты и обработки, настроить главный экран и разграничить права. Преподаватели грамотно предоставляли материал для изучения, всегда были на связи и отвечали на вопросы. Будущим слушателям желаю посещать все лекции и сдавать домашние задания в срок
Оставьте заявку
и получите консультацию
и получите консультацию
