Текст площадки «Sharewood». Упомянутые цены и обещанные результаты могут быть неактуальны; условия покупки проверяйте у продавца.
Этот курс знакомит вас с тем, как методы искусственного интеллекта применяются на разных этапах разработки лекарственных молекул: от подготовки и анализа химических данных до докинга, прогнозирования свойств и генерации новых структур. Вы освоите ключевые инструменты, научитесь работать с базами данных и применять совр
Читать полное описание
Этот курс знакомит вас с тем, как методы искусственного интеллекта применяются на разных этапах разработки лекарственных молекул: от подготовки и анализа химических данных до докинга, прогнозирования свойств и генерации новых структур. Вы освоите ключевые инструменты, научитесь работать с базами данных и применять современные модели для решения типичных задач drug discovery, формируя целостное понимание роли AI в создании лекарств.
Чему вы научитесь
Понимать полный цикл создания лекарства и роль ИИ на этапах ранней разработки
Работать с химическими данными в Python: анализ, визуализация и подготовка данных
Использовать основные представления молекул (SMILES, фингерпринты, дескрипторы, графы)
Применять методы машинного обучения и корректно оценивать качество моделей
Работать с ключевыми базами данных молекул, белков, активностей и ADMET
Строить воспроизводимые пайплайны для интеграции данных и обучения моделей
Подготавливать данные для докинга, запускать докинг и виртуальный скрининг
Оценивать свойства молекул: аффинность, физико-химические параметры и токсичность
Понимать как работают нейронные сети и применять их для решения химических задач
Генерировать новые молекулы с помощью современных генеративных моделей
О курсе
Этот курс знакомит вас с тем, как методы искусственного интеллекта применяются на разных этапах разработки лекарственных молекул: от подготовки и анализа химических данных до докинга, прогнозирования свойств и генерации новых структур. Это единственный на рынке русскоязычный курс, который системно соединяет химию, data science и современные AI-подходы в drug discovery — от основ до актуальных практик.
Преподаватели курса — действующие специалисты на стыке химии и ИИ: учёные, разработчики и эксперты из ведущих фармацевтических компаний и исследовательских центров. Они не только обладают глубокой теоретической подготовкой, но и ежедневно применяют эти методы в реальных проектах по созданию лекарств.
В процессе обучения вы освоите ключевые инструменты, научитесь работать с крупнейшими химическими базами данных, запускать модели, анализировать результаты и понимать, какие методы подходят для реальных задач разработки лекарств. Вы приобретёте практические навыки, которые востребованы в фарме, биотехе и научных центрах, а главное — сформируете целостное и современное представление о том, как AI помогает создавать новые лекарства быстрее, точнее и эффективнее.
Для кого этот курс
Этот курс создан для тех, кто хочет разобраться, как искусственный интеллект применяется в разработке лекарств: Студенты и аспиранты химических и биологических направлений Если вы выбираете карьеру на стыке наук и хотите войти в одну из самых быстрорастущих областей — AI-driven drug discovery, курс поможет выстроить целостную картину и получить навыки, которые ценятся в индустрии и академии. Data scientist’ы и ML-инженеры, интересующиеся фармой и биотехом Вы уже знаете машинное обучение, но хотите разобраться, какие задачи реально существуют в разработке лекарств, с какими данными приходится работать и почему “обычные” подходы не всегда работают в химии. Химики и биохимики Если вы работаете (или хотите работать) в drug discovery и чувствуете, что без применения передовых методов становится всё сложнее соответствовать текущему уровню индустрии, курс поможет вам понять, как именно машинное обучение и современные алгоритмы встраиваются в привычный химический workflow — от данных до молекул. Специалисты фармацевтических и биотехнологических компаний Для тех, кто хочет глубже понять современные AI-подходы, говорить с инженерными командами на одном языке и осознанно выбирать инструменты для реальных R&D-задач.
Начальные требования
Необходим базовый уровень химических знаний и интерес к работе с данными; опыт программирования желателен, но не обязателен — всё нужное мы разберём по ходу курса.
На курсе вас ждут:
Лекционные материалы от простого к сложному: начинаем с азов программирования на Python и машинного обучения, заканчиваем изучением генеративных моделей для дизайна лекарств;
Тестовые задания для усвоения лекционных материалов;
Практические задания в формате небольших задачек либо полноценных ноутбуков с кодом для того, чтобы сразу закрепить изученный материал на реальных кейсах.
Один курс · разные способы доступа
Где удобнее учиться?
Сравните цену и то, как будете заниматься.
Выбирайте не только по цене
ЦенаСумма и выгодность предложения
Удобство интерфейсаОценка формата занятий
Встроенный просмотрБез скачивания всего курса
Занятия с телефонаБез работы с архивами
Без рекламыПри работе с материалами
Найти нужный моментНе пересматривая весь урок
Разобраться в темеПомощь по содержанию, не куратор
Попробовать до покупкиОзнакомительный урок
Скачать материалыДля занятий без интернета
Когда можно начать
Срок доступа
Выбрать площадку
Учитесь с комфортом
В Курсе
История цен на площадкахФормат и условия
Как проходит обучение
Эти данные взяты из программы и описания площадки. Пустое поле означает, что на странице курса ответа не было.
Документ
На странице курса указано: сертификат не выдаётся.Проверено 19.11.2026 · Источник ↗︎
Введение; Основы Data Science; Представления молекул; Основы машинного обучения для химических задач; Базы данных для дизайна лекарственных молекул; Молекулярный докинг; Методы оценки молекул; Основы глубокого обучения для дизайна лекарственных молекулПроверено 19.11.2026 · Источник ↗︎
Команда курса
Авторы и преподаватели
Анастасия ОрловаАвтор материалов
Нина ГубинаАвтор материалов
Пётр ЖиляевАвтор материалов
Сведения источников
Что пишут о курсе разные площадки
Продавцы могут по-разному указать название, автора и программу. Ниже приведены отдельные описания источников.
Складчина.biz[Stepik] ИИ в дизайне лекарственных молекул (Анастасия Орлова, Нина Губина)
Указаны на площадке: Анастасия Орлова, Нина Губина
Чему вы научитесь
Понимать полный цикл создания лекарства и роль ИИ на этапах ранней разработки
Работать с химическими данными в Python: анализ, визуализация и подготовка данных
Использовать основные представления молекул (SMILES, фингерпринты, дескрипторы, графы)
Применять методы машинного обучения и корректно оценивать качество моделей
Работать с ключевыми базами данных молекул, белков, активностей и ADMET
Строить воспроизводимые пайплайны для интеграции данных и обучения моделей
Подготавливать данные для докинга, запускать докинг и виртуальный скрининг
Оценивать свойства молекул: аффинность, физико-химические параметры и токсичность
Понимать как работают нейронные сети и применять их для решения химических задач
Генерировать новые молекулы с помощью современных генеративных моделей
О курсе
Этот курс знакомит вас с тем, как методы искусственного интеллекта применяются на разных этапах разработки лекарственных молекул: от подготовки и анализа химических данных до докинга, прогнозирования свойств и генерации новых структур. Это единственный на рынке русскоязычный курс, который системно соединяет химию, data science и современные AI-подходы в drug discovery — от основ до актуальных практик.
Преподаватели курса — действующие специалисты на стыке химии и ИИ: учёные, разработчики и эксперты из ведущих фармацевтических компаний и исследовательских центров. Они не только обладают глубокой теоретической подготовкой, но и ежедневно применяют эти методы в реальных проектах по созданию лекарств.
В процессе обучения вы освоите ключевые инструменты, научитесь работать с крупнейшими химическими базами данных, запускать модели, анализировать результаты и понимать, какие методы подходят для реальных задач разработки лекарств. Вы приобретёте практические навыки, которые востребованы в фарме, биотехе и научных центрах, а главное — сформируете целостное и современное представление о том, как AI помогает создавать новые лекарства быстрее, точнее и эффективнее.
Для кого этот курс
Этот курс создан для тех, кто хочет разобраться, как искусственный интеллект применяется в разработке лекарств: Студенты и аспиранты химических и биологических направлений Если вы выбираете карьеру на стыке наук и хотите войти в одну из самых быстрорастущих областей — AI-driven drug discovery, курс поможет выстроить целостную картину и получить навыки, которые ценятся в индустрии и академии. Data scientist’ы и ML-инженеры, интересующиеся фармой и биотехом Вы уже знаете машинное обучение, но хотите разобраться, какие задачи реально существуют в разработке лекарств, с какими данными приходится работать и почему “обычные” подходы не всегда работают в химии. Химики и биохимики Если вы работаете (или хотите работать) в drug discovery и чувствуете, что без применения передовых методов становится всё сложнее соответствовать текущему уровню индустрии, курс поможет вам понять, как именно машинное обучение и современные алгоритмы встраиваются в привычный химический workflow — от данных до молекул. Специалисты фармацевтических и биотехнологических компаний Для тех, кто хочет глубже понять современные AI-подходы, говорить с инженерными командами на одном языке и осознанно выбирать инструменты для реальных R&D-задач.
Начальные требования
Необходим базовый уровень химических знаний и интерес к работе с данными; опыт программирования желателен, но не обязателен — всё нужное мы разберём по ходу курса.
Как проходит обучение
На курсе вас ждут:
Лекционные материалы от простого к сложному: начинаем с азов программирования на Python и машинного обучения, заканчиваем изучением генеративных моделей для дизайна лекарств;
Тестовые задания для усвоения лекционных материалов;
Практические задания в формате небольших задачек либо полноценных ноутбуков с кодом для того, чтобы сразу закрепить изученный материал на реальных кейсах.
Содержание обучения
Что в программе
01Программа курса64 урока
ВведениеВремя не указано
О курсеВремя не указано
Эволюция открытия и разработки лекарственных молекулВремя не указано
Стратегии рационального дизайна лекарствВремя не указано
Искусственный интеллект в дизайне лекарственных молекулВремя не указано
Основы Data ScienceВремя не указано
ПодготовкаВремя не указано
Основы PythonВремя не указано
Работа с файлами и даннымиВремя не указано
Анализ данных с pandas и numpyВремя не указано
Визуализация химических данныхВремя не указано
Введение в статистикуВремя не указано
Дополнительные темы и инструментыВремя не указано
Представления молекулВремя не указано
Линейные представления молекулВремя не указано
Молекулярные фингерпринтыВремя не указано
Файловые форматыВремя не указано
Графовые представления молекулВремя не указано
Молекулярные дескрипторыВремя не указано
Библиотеки для работы с молекуламиВремя не указано
Основы машинного обучения для химических задачВремя не указано
«В Курсе» — наш основной вариант для перехода. В таблице — возможности сервисов; состав конкретного курса уточняйте перед оплатой.
Как мы оцениваем и что входит в доступ
Звёзды — наша оценка, не отзывы покупателей. Удобство: 2 базовых балла, по одному за занятия без обязательного скачивания, навигацию по курсу и встроенного помощника. Оценка описывает формат сервиса, а не проверку каждого урока.
Цена сравнивается только при подтверждённых одинаковых тарифе, сроке и виде оплаты. Разница с минимальной ценой до 10% — 5 звёзд, до 30% — 4, до 60% — 3, до 100% — 2, больше — 1. Устаревшие и неизвестные цены не оцениваются. Прочерк означает, что данных недостаточно, а не что функции нет.
В Курсе
Зарегистрируйтесь, чтобы уточнить возможность доступа к этому материалу
Stepik
На странице курса указано: сертификат не выдаётся.
Условия проверены 19.11.2026. Перед оплатой проверьте состав предложения у продавца.
Складчина.biz
Условия оплаты
Взнос за участие на площадке: 192 ₽. Доступность материала зависит от стадии сбора.
Условия проверены 03.11.2026. Перед оплатой проверьте состав предложения у продавца.
Если ваша подписка уже включает этот курс, отдельная покупка не нужна.
Тарифы проверены 20.11.2026
Условия проверены 14.11.2026. Перед оплатой проверьте состав предложения у продавца.
Программа этой площадки
Программа курса
Получено 03.11.2026
Складчина.biz[Stepik] ИИ в дизайне лекарственных молекул (Анастасия Орлова, Нина Губина)
Указаны на площадке: Анастасия Орлова, Нина Губина
Чему вы научитесь
Понимать полный цикл создания лекарства и роль ИИ на этапах ранней разработки
Работать с химическими данными в Python: анализ, визуализация и подготовка данных
Использовать основные представления молекул (SMILES, фингерпринты, дескрипторы, графы)
Применять методы машинного обучения и корректно оценивать качество моделей
Работать с ключевыми базами данных молекул, белков, активностей и ADMET
Строить воспроизводимые пайплайны для интеграции данных и обучения моделей
Подготавливать данные для докинга, запускать докинг и виртуальный скрининг
Оценивать свойства молекул: аффинность, физико-химические параметры и токсичность
Понимать как работают нейронные сети и применять их для решения химических задач
Генерировать новые молекулы с помощью современных генеративных моделей
О курсе
Этот курс знакомит вас с тем, как методы искусственного интеллекта применяются на разных этапах разработки лекарственных молекул: от подготовки и анализа химических данных до докинга, прогнозирования свойств и генерации новых структур. Это единственный на рынке русскоязычный курс, который системно соединяет химию, data science и современные AI-подходы в drug discovery — от основ до актуальных практик.
Преподаватели курса — действующие специалисты на стыке химии и ИИ: учёные, разработчики и эксперты из ведущих фармацевтических компаний и исследовательских центров. Они не только обладают глубокой теоретической подготовкой, но и ежедневно применяют эти методы в реальных проектах по созданию лекарств.
В процессе обучения вы освоите ключевые инструменты, научитесь работать с крупнейшими химическими базами данных, запускать модели, анализировать результаты и понимать, какие методы подходят для реальных задач разработки лекарств. Вы приобретёте практические навыки, которые востребованы в фарме, биотехе и научных центрах, а главное — сформируете целостное и современное представление о том, как AI помогает создавать новые лекарства быстрее, точнее и эффективнее.
Для кого этот курс
Этот курс создан для тех, кто хочет разобраться, как искусственный интеллект применяется в разработке лекарств: Студенты и аспиранты химических и биологических направлений Если вы выбираете карьеру на стыке наук и хотите войти в одну из самых быстрорастущих областей — AI-driven drug discovery, курс поможет выстроить целостную картину и получить навыки, которые ценятся в индустрии и академии. Data scientist’ы и ML-инженеры, интересующиеся фармой и биотехом Вы уже знаете машинное обучение, но хотите разобраться, какие задачи реально существуют в разработке лекарств, с какими данными приходится работать и почему “обычные” подходы не всегда работают в химии. Химики и биохимики Если вы работаете (или хотите работать) в drug discovery и чувствуете, что без применения передовых методов становится всё сложнее соответствовать текущему уровню индустрии, курс поможет вам понять, как именно машинное обучение и современные алгоритмы встраиваются в привычный химический workflow — от данных до молекул. Специалисты фармацевтических и биотехнологических компаний Для тех, кто хочет глубже понять современные AI-подходы, говорить с инженерными командами на одном языке и осознанно выбирать инструменты для реальных R&D-задач.
Начальные требования
Необходим базовый уровень химических знаний и интерес к работе с данными; опыт программирования желателен, но не обязателен — всё нужное мы разберём по ходу курса.
Как проходит обучение
На курсе вас ждут:
Лекционные материалы от простого к сложному: начинаем с азов программирования на Python и машинного обучения, заканчиваем изучением генеративных моделей для дизайна лекарств;
Тестовые задания для усвоения лекционных материалов;
Практические задания в формате небольших задачек либо полноценных ноутбуков с кодом для того, чтобы сразу закрепить изученный материал на реальных кейсах.
Программа этой площадки
Программа курса
Получено 11.10.2026
Складчина.biz[Stepik] ИИ в дизайне лекарственных молекул (Анастасия Орлова, Нина Губина)
Указаны на площадке: Анастасия Орлова, Нина Губина
Чему вы научитесь
Понимать полный цикл создания лекарства и роль ИИ на этапах ранней разработки
Работать с химическими данными в Python: анализ, визуализация и подготовка данных
Использовать основные представления молекул (SMILES, фингерпринты, дескрипторы, графы)
Применять методы машинного обучения и корректно оценивать качество моделей
Работать с ключевыми базами данных молекул, белков, активностей и ADMET
Строить воспроизводимые пайплайны для интеграции данных и обучения моделей
Подготавливать данные для докинга, запускать докинг и виртуальный скрининг
Оценивать свойства молекул: аффинность, физико-химические параметры и токсичность
Понимать как работают нейронные сети и применять их для решения химических задач
Генерировать новые молекулы с помощью современных генеративных моделей
О курсе
Этот курс знакомит вас с тем, как методы искусственного интеллекта применяются на разных этапах разработки лекарственных молекул: от подготовки и анализа химических данных до докинга, прогнозирования свойств и генерации новых структур. Это единственный на рынке русскоязычный курс, который системно соединяет химию, data science и современные AI-подходы в drug discovery — от основ до актуальных практик.
Преподаватели курса — действующие специалисты на стыке химии и ИИ: учёные, разработчики и эксперты из ведущих фармацевтических компаний и исследовательских центров. Они не только обладают глубокой теоретической подготовкой, но и ежедневно применяют эти методы в реальных проектах по созданию лекарств.
В процессе обучения вы освоите ключевые инструменты, научитесь работать с крупнейшими химическими базами данных, запускать модели, анализировать результаты и понимать, какие методы подходят для реальных задач разработки лекарств. Вы приобретёте практические навыки, которые востребованы в фарме, биотехе и научных центрах, а главное — сформируете целостное и современное представление о том, как AI помогает создавать новые лекарства быстрее, точнее и эффективнее.
Для кого этот курс
Этот курс создан для тех, кто хочет разобраться, как искусственный интеллект применяется в разработке лекарств: Студенты и аспиранты химических и биологических направлений Если вы выбираете карьеру на стыке наук и хотите войти в одну из самых быстрорастущих областей — AI-driven drug discovery, курс поможет выстроить целостную картину и получить навыки, которые ценятся в индустрии и академии. Data scientist’ы и ML-инженеры, интересующиеся фармой и биотехом Вы уже знаете машинное обучение, но хотите разобраться, какие задачи реально существуют в разработке лекарств, с какими данными приходится работать и почему “обычные” подходы не всегда работают в химии. Химики и биохимики Если вы работаете (или хотите работать) в drug discovery и чувствуете, что без применения передовых методов становится всё сложнее соответствовать текущему уровню индустрии, курс поможет вам понять, как именно машинное обучение и современные алгоритмы встраиваются в привычный химический workflow — от данных до молекул. Специалисты фармацевтических и биотехнологических компаний Для тех, кто хочет глубже понять современные AI-подходы, говорить с инженерными командами на одном языке и осознанно выбирать инструменты для реальных R&D-задач.
Начальные требования
Необходим базовый уровень химических знаний и интерес к работе с данными; опыт программирования желателен, но не обязателен — всё нужное мы разберём по ходу курса.
Как проходит обучение
На курсе вас ждут:
Лекционные материалы от простого к сложному: начинаем с азов программирования на Python и машинного обучения, заканчиваем изучением генеративных моделей для дизайна лекарств;
Тестовые задания для усвоения лекционных материалов;
Практические задания в формате небольших задачек либо полноценных ноутбуков с кодом для того, чтобы сразу закрепить изученный материал на реальных кейсах.
Программа этой площадки
Программа курса
Получено 03.10.2026
Sharewood«ИИ в дизайне лекарственных молекул» [Stepik, Анастасия Орлова, Нина Губина, Пётр Жиляев] | Нейросети - Обучение
Указаны на площадке: Анастасия Орлова, Нина Губина, Пётр Жиляев
Этот курс знакомит вас с тем, как методы искусственного интеллекта применяются на разных этапах разработки лекарственных молекул: от подготовки и анализа химических данных до докинга, прогнозирования свойств и генерации новых структур. Вы освоите ключевые инструменты, научитесь работать с базами данных и применять современные модели для решения типичных задач drug discovery, формируя целостное понимание роли AI в создании лекарств.
Чему вы научитесь
Понимать полный цикл создания лекарства и роль ИИ на этапах ранней разработки
Работать с химическими данными в Python: анализ, визуализация и подготовка данных
Использовать основные представления молекул (SMILES, фингерпринты, дескрипторы, графы)
Применять методы машинного обучения и корректно оценивать качество моделей
Работать с ключевыми базами данных молекул, белков, активностей и ADMET
Строить воспроизводимые пайплайны для интеграции данных и обучения моделей
Подготавливать данные для докинга, запускать докинг и виртуальный скрининг
Оценивать свойства молекул: аффинность, физико-химические параметры и токсичность
Понимать как работают нейронные сети и применять их для решения химических задач
Генерировать новые молекулы с помощью современных генеративных моделей
О курсе
Этот курс знакомит вас с тем, как методы искусственного интеллекта применяются на разных этапах разработки лекарственных молекул: от подготовки и анализа химических данных до докинга, прогнозирования свойств и генерации новых структур. Это единственный на рынке русскоязычный курс, который системно соединяет химию, data science и современные AI-подходы в drug discovery — от основ до актуальных практик.
Преподаватели курса — действующие специалисты на стыке химии и ИИ: учёные, разработчики и эксперты из ведущих фармацевтических компаний и исследовательских центров. Они не только обладают глубокой теоретической подготовкой, но и ежедневно применяют эти методы в реальных проектах по созданию лекарств.
В процессе обучения вы освоите ключевые инструменты, научитесь работать с крупнейшими химическими базами данных, запускать модели, анализировать результаты и понимать, какие методы подходят для реальных задач разработки лекарств. Вы приобретёте практические навыки, которые востребованы в фарме, биотехе и научных центрах, а главное — сформируете целостное и современное представление о том, как AI помогает создавать новые лекарства быстрее, точнее и эффективнее.
Для кого этот курс
Этот курс создан для тех, кто хочет разобраться, как искусственный интеллект применяется в разработке лекарств: Студенты и аспиранты химических и биологических направлений Если вы выбираете карьеру на стыке наук и хотите войти в одну из самых быстрорастущих областей — AI-driven drug discovery, курс поможет выстроить целостную картину и получить навыки, которые ценятся в индустрии и академии. Data scientist’ы и ML-инженеры, интересующиеся фармой и биотехом Вы уже знаете машинное обучение, но хотите разобраться, какие задачи реально существуют в разработке лекарств, с какими данными приходится работать и почему “обычные” подходы не всегда работают в химии. Химики и биохимики Если вы работаете (или хотите работать) в drug discovery и чувствуете, что без применения передовых методов становится всё сложнее соответствовать текущему уровню индустрии, курс поможет вам понять, как именно машинное обучение и современные алгоритмы встраиваются в привычный химический workflow — от данных до молекул. Специалисты фармацевтических и биотехнологических компаний Для тех, кто хочет глубже понять современные AI-подходы, говорить с инженерными командами на одном языке и осознанно выбирать инструменты для реальных R&D-задач.
Начальные требования
Необходим базовый уровень химических знаний и интерес к работе с данными; опыт программирования желателен, но не обязателен — всё нужное мы разберём по ходу курса.
На курсе вас ждут:
Лекционные материалы от простого к сложному: начинаем с азов программирования на Python и машинного обучения, заканчиваем изучением генеративных моделей для дизайна лекарств;
Тестовые задания для усвоения лекционных материалов;
Практические задания в формате небольших задачек либо полноценных ноутбуков с кодом для того, чтобы сразу закрепить изученный материал на реальных кейсах.
Программа этой площадки
Программа курса
Получено 14.11.2026
StepikИИ в дизайне лекарственных молекул
Указаны на площадке: Богдан Нетеребский, Ксения Капранова, Анастасия Орлова, Юлия Разливина, Нина Губина, Евгений Нам, Анастасия Вепрева, Центр искусственного интеллекта в химии, Никита Васильев, Мария Еремеева, Пётр Жиляев
Этот курс знакомит вас с тем, как методы искусственного интеллекта применяются на разных этапах разработки лекарственных молекул: от подготовки и анализа химических данных до докинга, прогнозирования свойств и генерации новых структур. Это единственный на рынке русскоязычный курс, который системно соединяет химию, data science и современные AI-подходы в drug discovery — от основ до актуальных практик.
Преподаватели курса — действующие специалисты на стыке химии и ИИ: учёные, разработчики и эксперты из ведущих фармацевтических компаний и исследовательских центров. Они не только обладают глубокой теоретической подготовкой, но и ежедневно применяют эти методы в реальных проектах по созданию лекарств.
В процессе обучения вы освоите ключевые инструменты, научитесь работать с крупнейшими химическими базами данных, запускать модели, анализировать результаты и понимать, какие методы подходят для реальных задач разработки лекарств. Вы приобретёте практические навыки, которые востребованы в фарме, биотехе и научных центрах, а главное — сформируете целостное и современное представление о том, как AI помогает создавать новые лекарства быстрее, точнее и эффективнее.
Программа этой площадки
Введение
Основы Data Science
Представления молекул
Основы машинного обучения для химических задач
Базы данных для дизайна лекарственных молекул
Молекулярный докинг
Методы оценки молекул
Основы глубокого обучения для дизайна лекарственных молекул
Генеративные модели для дизайна лекарственных молекул
Заключение
Получено 19.11.2026
Основы машинного обучения
Время не указано
Методы сжатия многомерных данныхВремя не указано
Модели машинного обученияВремя не указано
ГиперпараметрыВремя не указано
МетрикиВремя не указано
Базы данных для дизайна лекарственных молекулВремя не указано
Введение в базы данныхВремя не указано
Структурные базы данных белков и мишенейВремя не указано
Базы данных лекарственных молекул и их активностиВремя не указано
Базы данных по ADMET-профилям и токсичностиВремя не указано
Интеграция данных и построение pipelineВремя не указано
Молекулярный докингВремя не указано
Основы медицинской химииВремя не указано
Как работает докинг? Теоретические основыВремя не указано
Подготовка данных для докинга: структуры белков и лигандовВремя не указано
Докинг в действии: пример с использованием AutoDock VinaВремя не указано
Валидация и анализ результатов докингаВремя не указано
От докинга к виртуальному скринингуВремя не указано
Методы оценки молекулВремя не указано
Основные физико-химические дескрипторыВремя не указано
Композитные метрикиВремя не указано
Оценка токсичностиВремя не указано
Основы глубокого обучения для дизайна лекарственных молекулВремя не указано
Что такое нейронная сеть?Время не указано
Задачи регрессии и классификацииВремя не указано
Распространение сигнала и функции ошибкиВремя не указано
Обучение нейросетиВремя не указано
Полносвязная нейросетьВремя не указано
Рекуррентные нейросетиВремя не указано
Графовые нейросетиВремя не указано
Генеративные модели для дизайна лекарственных молекулВремя не указано
Введение в генеративный дизайнВремя не указано
Вариационные автоэнкодерыВремя не указано
Генеративно-состязательные сетиВремя не указано
Нормализующие потокиВремя не указано
Диффузионные моделиВремя не указано
ТрансформерыВремя не указано
Обучение с подкреплениемВремя не указано
Ключевые выводы о генеративном дизайнеВремя не указано
Генерация молекул с помощью вариационного автоэнкодераВремя не указано
ЗаключениеВремя не указано
Заключительный разделВремя не указано
Похожие курсы и совпадения: данные сейчас недоступны. Повторить загрузку