Graph Neural Networks for Molecular Property Prediction Certificate

  • Recruiting People999 people

  • Learning period03-01-2024 ~ 12-31-2024

Log in to take courses.
Class Introduction

강의 소개 및 개요입니다.

성명

류성옥

소속기관

Galux

과목명

Graph Neural Networks for Molecular Property Prediction

강의시간

7

학습목표

1. Python 언어의 기본 문법을 익혀 기본적인 코딩을 할 수 있다
2. Python 프로그래밍에서 필요한 기초적인 변수, 연산, 문자열, 조건문, 반복문, 함수 등을 학습한다.

 

강의 선수과목 및 준비사항입니다.

선수과목

 

참고자료

 * GNN github repository, https://github.com/SeongokRyu/Graph-neural-networks
* Bayesian learning github repository, https://github.com/SeongokRyu/Bayesian-deep-learning
* Reliable GNN github repository, https://github.com/AITRICS/mol_reliable_gnn

준비사항

 PyTorch 를 설치 및 활용가능한 노트북, 혹은 Google Colab 활용
Dataset은 MoleculeNet 및 Therapeutic Data Commons 의 open benchmark를 활용예정
Course Introduction

Graph Neural Networks for Molecular Property Prediction 강의 과정입니다.

1

[DGL 활용하기]

DGL을 이용하여 분자구조를 다루고, 모델의 Input을 만들 수 있다.

-Anaconda, PyTorch, DGL, RDKit 등 설치
-RDKit을 이용한 분자 구조 데이터 다루기
-DGL을 이용한 분자 구조 데이터 다루기
2

[GCN/GIN]

GCN./GIN 모델을 구현할 수 있다.

-GCN 구현하기
-GIN 구현하기
-Self-attention 구현하기
3

[Attention/GAT]

Attention/GAT 모델을 구현할 수 있다

-Self-attention 구현하기
-GAT 구현하기
4

[GGNN]

RNN Cell을 이용한 GGNN을 구현할수 있다

-RNN Cell 활용하기

-GGNN 구현하기
5

[Classification benchmark]

물성예측 benchmark 데이터셋에 대한 모델들의 성능을 비교할 수 있다

-Dataset/DataLoader구현하기
-Classification pipeline 구현하기
6

[Bayesian Learning (1)]

MC-Dropout, Deep Ensemble 등의 모델을 구현할 수 있다

-MC-Dropout 구현하기
-Deep-Ensemble 구현하기
7

[Bayesian Learning (2)]

SWA, SWAG 등의 모델을 구현할 수 있다.

-SWA 구현하기
-SWAG 구현하기

 

Classification
  • Subject
    Optimization
  • Class Area
    Chemical & Cheminfonatics
  • Practice
    Programming (Python)
  • Utilize
    Drug Discovery
Professor
Back to Previous Page