Métodos de aprendizaje automático para el descubrimiento de fármacos y la toxicología: cómo desarrollar un modelo QSAR con Python

Este curso en línea le permite aprender a su propio ritmo. El curso permanece accesible en todo momento, lo que le da la flexibilidad de inscribirse cuando lo desee. Una vez inscrito, dispondrá de un plazo de cuatro meses para completar el curso. En nuestra plataforma, tendrás acceso a lecciones grabadas, explicaciones de texto, ejercicios interactivos de Python y otros recursos. Se trata de un curso práctico con varios ejercicios prácticos que finalizará con un proyecto en el que desarrollarás un modelo QSAR completo por ti mismo. Pero no estarás solo; un tutor de ProtoQSAR seguirá tu avance en la plataforma, te dará feedback sobre tus tareas y estará disponible por correo electrónico. Además, podrás interactuar con tus compañeros e instructores a través de foros y chats internos, y habrá una serie de videoconferencias en directo para aclarar dudas.

Para más detalles, descargue por favor el contenido del curso.

Prerequisitos: Las tareas requieren conocimientos básicos de Python (en la plataforma habrá recursos de aprendizaje adicionales y enlaces a recursos externos para los principiantes).

Modalidad: Online Pre-registro: Rellene este Formulario
¿Cuando?: Siempre abierto (4 meses para completarlo) Información: training@protoqsar.com
Horas estimadas: 60 Idioma del curso: Inglés
Precio: 480 €* * 280 € para estudiantes (requisitos en el formulario)

Resumen del curso:

Introducción de conceptos básicos
  • Visión general de los diferentes enfoques computacionales
  • Flujo de trabajo del modelo QSAR
  • Regresión frente a clasificación
  • Análisis estadístico de modelos
Técnicas básicas de quimioinformática en Python
  • Importación y análisis de marcos de datos
  • Caracterización de moléculas
  • Conservación de datos químicos y biológicos
Desarrollo de modelos QSAR
  • Recopilación y conservación de datos
  • Cálculo de descriptores moleculares
  • División de entrenamiento/prueba
  • Reducción y escalado de características
  • Selección de algoritmos
  • Optimización de hiperparámetros
  • Métricas y validación de modelos
  • Dominio de aplicabilidad
  • Predicción externa