کتاب یادگیری ماشین برای شبیه‌سازی چندمقیاسی مولکولی و طراحی مواد و دارو با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری ماشین برای شبیه‌سازی چندمقیاسی مولکولی و طراحی مواد و دارو

موضوع کلی: یادگیری ماشین و هوش مصنوعی محاسباتی

موضوع میانی: یادگیری ماشین در شبیه‌سازی مولکولی و طراحی محاسباتی مواد

📋 سرفصل‌های دوره

• 1. مبانی شبیه‌سازی مولکولی و نقش یادگیری ماشین
• 2. مقیاس‌های مختلف زمانی و مکانی در شبیه‌سازی مولکولی
• 3. چالش‌های محاسباتی در شبیه‌سازی سامانه‌های مولکولی
• 4. مکانیک مولکولی و مدل‌سازی بر پایه میدان نیرو
• 5. دینامیک مولکولی و اصول شبیه‌سازی حرکت اتم‌ها
• 6. روش‌های کوانتومی در شبیه‌سازی مولکولی
• 7. مکانیک کوانتومی و محاسبات ساختار الکترونی
• 8. نظریه تابعی چگالی در شبیه‌سازی مولکولی
• 9. مونت‌کارلو و سایر روش‌های نمونه‌برداری مولکولی
• 10. ارتباط میان مدل‌های اتمی، مزومقیاس و ماکروسکوپی
• 11. مبانی یادگیری ماشین برای مسائل مولکولی
• 12. بازنمایی مولکول‌ها برای الگوریتم‌های یادگیری ماشین
• 13. بردارهای ویژگی و توصیفگرهای مولکولی
• 14. توصیفگرهای هندسی و ساختاری مولکول
• 15. توصیفگرهای مبتنی بر تقارن و محیط اتمی
• 16. کرنل‌ها و روش‌های یادگیری ماشین مبتنی بر شباهت مولکولی
• 17. رگرسیون خطی و غیرخطی برای پیش‌بینی خواص مولکولی
• 18. روش‌های کاهش بُعد و استخراج ویژگی از داده‌های مولکولی
• 19. خوشه‌بندی ساختارها و حالت‌های مولکولی
• 20. شبکه‌های عصبی برای مدل‌سازی سامانه‌های مولکولی
• 21. یادگیری عمیق برای پیش‌بینی خواص مولکولی
• 22. شبکه‌های عصبی گرافی برای نمایش مولکول‌ها
• 23. Graph Neural Network و پیام‌رسانی میان اتم‌ها
• 24. مدل‌های Transformer برای داده‌ها و ساختارهای مولکولی
• 25. یادگیری انتقالی در مسائل شبیه‌سازی مولکولی
• 26. یادگیری فعال برای کاهش هزینه تولید داده‌های مولکولی
• 27. یادگیری با نظارت و بدون نظارت در شیمی محاسباتی
• 28. یادگیری تقویتی برای طراحی و بهینه‌سازی مولکولی
• 29. تولید داده آموزشی از شبیه‌سازی‌های محاسباتی
• 30. انتخاب داده و طراحی مجموعه آموزش برای مدل‌های مولکولی
• 31. پاک‌سازی و پیش‌پردازش داده‌های شبیه‌سازی
• 32. تقسیم‌بندی داده‌های مولکولی برای آموزش و ارزیابی
• 33. جلوگیری از نشت داده در پیش‌بینی خواص مولکولی
• 34. اعتبارسنجی مدل‌های یادگیری ماشین در شبیه‌سازی مولکولی
• 35. معیارهای ارزیابی مدل‌های پیش‌بینی خواص مولکولی
• 36. مدل‌سازی انرژی پتانسیل با یادگیری ماشین
• 37. پتانسیل‌های بین‌اتمی مبتنی بر یادگیری ماشین
• 38. یادگیری ماشین برای پیش‌بینی انرژی و نیروهای اتمی
• 39. پتانسیل‌های عصبی و میدان‌های نیروی یادگیری‌شده
• 40. مدل‌سازی سطوح انرژی پتانسیل با شبکه‌های عصبی
• 41. ادغام پتانسیل‌های یادگیری ماشین با دینامیک مولکولی
• 42. دینامیک مولکولی مبتنی بر پتانسیل‌های ماشین‌لرنینگ
• 43. شتاب‌دهی شبیه‌سازی‌های دینامیک مولکولی با یادگیری ماشین
• 44. مدل‌سازی سیستم‌های چندمقیاسی با یادگیری ماشین
• 45. پل‌زدن میان شبیه‌سازی‌های کوانتومی و کلاسیک
• 46. کوپل‌کردن مدل‌های کوانتومی و مکانیک مولکولی
• 47. QM/MM و کاربرد یادگیری ماشین در آن
• 48. مدل‌های coarse-grained مبتنی بر یادگیری ماشین
• 49. یادگیری نگاشت میان نمایش‌های اتمی و مزومقیاس
• 50. تولید مدل‌های coarse-grained از داده‌های شبیه‌سازی
• 51. یادگیری روابط میان ساختار و دینامیک در مقیاس‌های مختلف
• 52. مدل‌سازی چندمقیاسی پروتئین‌ها با یادگیری ماشین
• 53. شبیه‌سازی چندمقیاسی مواد جامد و مواد پیشرفته
• 54. یادگیری ماشین برای مدل‌سازی پلیمرها و مواد نرم
• 55. مدل‌سازی مایعات و سامانه‌های پیچیده چندمقیاسی
• 56. پیش‌بینی خواص ترمودینامیکی با یادگیری ماشین
• 57. پیش‌بینی خواص انتقالی و دینامیکی سامانه‌های مولکولی
• 58. مدل‌سازی فازها و تغییرات فازی با یادگیری ماشین
• 59. یادگیری ماشین برای پیش‌بینی حلالیت و برهم‌کنش‌های مولکولی
• 60. پیش‌بینی انرژی آزاد و روش‌های یادگیری ماشین
• 61. یادگیری ماشین برای نمونه‌برداری و محاسبه انرژی آزاد
• 62. مدل‌سازی مسیرهای واکنش شیمیایی با یادگیری ماشین
• 63. یادگیری ماشین برای کشف و مدل‌سازی واکنش‌های شیمیایی
• 64. پیش‌بینی سینتیک و موانع انرژی واکنش‌ها
• 65. طراحی مولکولی مبتنی بر یادگیری ماشین
• 66. طراحی معکوس مواد و مولکول‌ها با هوش مصنوعی
• 67. مدل‌های مولد برای تولید ساختارهای مولکولی
• 68. شبکه‌های مولد و طراحی مولکول‌های جدید
• 69. Variational Autoencoder برای طراحی مولکولی
• 70. مدل‌های انتشار برای تولید ساختارهای مولکولی
• 71. یادگیری تقویتی برای بهینه‌سازی ساختار مولکولی
• 72. بهینه‌سازی هم‌زمان ساختار و خواص مولکول
• 73. طراحی دارو با کمک یادگیری ماشین و شبیه‌سازی
• 74. پیش‌بینی برهم‌کنش دارو و هدف مولکولی
• 75. مدل‌سازی اتصال لیگاند و پروتئین با یادگیری ماشین
• 76. طراحی مواد با خواص هدف‌گذاری‌شده
• 77. جست‌وجوی فضای شیمیایی با روش‌های یادگیری ماشین
• 78. Bayesian Optimization در طراحی مولکولی و مواد
• 79. یادگیری ماشین و کشف مواد جدید
• 80. ترکیب شبیه‌سازی مولکولی و مدل‌های پیش‌بینی سریع
• 81. Active Learning در طراحی محاسباتی مواد و دارو
• 82. عدم قطعیت و اطمینان‌سنجی پیش‌بینی‌های مولکولی
• 83. تفسیرپذیری مدل‌های یادگیری ماشین در شیمی محاسباتی
• 84. تعمیم‌پذیری مدل‌ها میان مولکول‌ها و مواد مختلف
• 85. خطاهای رایج در مدل‌سازی ماشین‌لرنینگ مولکولی
• 86. بهینه‌سازی کارایی محاسباتی مدل‌های مولکولی
• 87. استفاده از GPU برای یادگیری ماشین و شبیه‌سازی مولکولی
• 88. ساخت جریان کاری یکپارچه برای ML و Molecular Simulation
• 89. پیاده‌سازی پروژه‌های یادگیری ماشین مولکولی با Python
• 90. استفاده از ابزارهای علمی Python برای داده‌های مولکولی
• 91. مدیریت داده‌های بزرگ حاصل از شبیه‌سازی مولکولی
• 92. تکرارپذیری و مستندسازی پروژه‌های شبیه‌سازی مبتنی بر ML
• 93. مطالعه موردی پیش‌بینی خواص مولکولی با یادگیری ماشین
• 94. مطالعه موردی ساخت پتانسیل بین‌اتمی مبتنی بر داده
• 95. مطالعه موردی شبیه‌سازی چندمقیاسی با مدل یادگیری ماشین
• 96. پروژه نهایی طراحی مولکول یا ماده با ترکیب ML و شبیه‌سازی