Graph Neural Networks for Molecular Property Prediction 수료증
모집인원999명
학습기간2024-03-01 ~ 2024-12-31
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 |
||
강의 선수과목 및 준비사항입니다.
|
선수과목 |
|
|
참고자료 |
* GNN github repository, https://github.com/SeongokRyu/Graph-neural-networks |
|
준비사항 |
PyTorch 를 설치 및 활용가능한 노트북, 혹은 Google Colab 활용 |
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 |
| 2 |
[GCN/GIN] GCN./GIN 모델을 구현할 수 있다. -GCN 구현하기 |
| 3 |
[Attention/GAT] Attention/GAT 모델을 구현할 수 있다 -Self-attention 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 |
| 6 |
[Bayesian Learning (1)] MC-Dropout, Deep Ensemble 등의 모델을 구현할 수 있다 -MC-Dropout 구현하기 |
| 7 |
[Bayesian Learning (2)] SWA, SWAG 등의 모델을 구현할 수 있다. -SWA 구현하기 |