Aprenda a utilizar Python e aprendizado de máquina para organizar, analisar e interpretar dados químicos, mesmo sem experiência prévia em programação ou machine learning.
Em três aulas online e práticas, você acompanhará um estudo de caso no Google Colab, desde a preparação de uma base de dados químicos até a construção e avaliação de modelos introdutórios de regressão e classificação.
O workshop foi desenvolvido para estudantes, pesquisadores, professores e profissionais das áreas de Química, Engenharia Química, Farmácia, Materiais, Alimentos, Biotecnologia, Ciências Ambientais e áreas relacionadas.
Você aprenderá a utilizar Python, Pandas, recursos de visualização de dados e scikit-learn para explorar informações químicas, identificar padrões e avaliar criticamente previsões produzidas por modelos de aprendizado de máquina.
O foco do workshop não será apenas gerar previsões, mas compreender como os modelos são construídos, o que suas métricas significam e quais são suas limitações científicas.
Cronograma do Workshop
Aula 1 (30/11) — Inteligência artificial, dados e Python para Química
Objetivo:
Compreender como a inteligência artificial utiliza dados químicos e executar os primeiros comandos em Python no Google Colab.
Conteúdo programático
Fundamentos e demonstrações
- O que são inteligência artificial, aprendizado de máquina, deep learning e inteligência artificial generativa
- Diferenças entre previsão de propriedades, classificação de compostos, otimização e geração de moléculas
- Aplicações da IA na descoberta de fármacos, desenvolvimento de materiais, toxicidade, análise espectral, planejamento de sínteses e otimização de processos
- Predição de propriedades, design direto e panorama do design inverso de moléculas e materiais
- Como moléculas, materiais, experimentos e propriedades químicas podem ser representados como dados
- Organização tabular: amostras, variáveis, identificadores, descritores e propriedades experimentais
- Google Colab: células de texto e código, execução, reinicialização e salvamento do notebook
- Fundamentos de Python: variáveis, strings, listas, dicionários, operações e chamadas de funções
Parte prática
- Criação e execução de um notebook no Google Colab
- Realização de operações químicas simples com Python
- Cálculos de massa, quantidade de matéria, concentração, diluição e conversão de unidades
- Identificação de amostras, variáveis de entrada e propriedade-alvo em uma base química
Entrega: primeiro notebook executável, contendo operações básicas em Python e a representação inicial de um problema químico por meio de dados.
Aula 2 (01/12) — Organização e visualização de dados químicos com Pandas
Objetivo:
Carregar, inspecionar, organizar e visualizar uma base de dados químicos utilizando Python e Pandas.
Conteúdo programático
Fundamentos e demonstrações
- Introdução ao Pandas e ao conceito de DataFrame
- Leitura de arquivos CSV no Google Colab
- Inspeção das primeiras linhas, dimensões, nomes das colunas e tipos de dados
- Seleção de linhas e colunas e filtragem de informações
- Identificação de valores ausentes, duplicatas, formatos inconsistentes e problemas relacionados às unidades de medida
- Reconhecimento de dados numéricos armazenados como texto e de valores potencialmente anômalos
- Estatística descritiva: média, mediana, mínimo, máximo, desvio padrão e distribuição das propriedades
- Visualização por meio de histogramas, gráficos de barras, linhas e dispersão
- Interpretação química de relações entre variáveis e destaque de diferentes grupos de amostras
Parte prática
- Importação de uma base contendo compostos e propriedades químicas
- Inspeção da quantidade de compostos, colunas e tipos de variáveis
- Identificação de colunas incompletas, valores duplicados e possíveis inconsistências
- Cálculo de estatísticas descritivas das propriedades químicas
- Produção de gráficos para investigar distribuições, relações e possíveis valores anômalos
- Discussão dos problemas que precisam ser corrigidos antes da construção de um modelo
Entrega: notebook de inspeção, organização, análise descritiva e visualização de uma base de dados químicos.
Aula 3 (03/12) — Construção de modelos de regressão e classificação
Objetivo:
Construir e avaliar modelos introdutórios de aprendizado de máquina aplicados à previsão de propriedades e à classificação de amostras químicas.
Conteúdo programático
Fundamentos e demonstrações
- Aprendizado supervisionado, variáveis de entrada e variável-alvo
- Diferenças entre problemas de regressão e classificação
- Separação dos dados em conjuntos de treinamento e teste
- Treinamento, previsão, avaliação e comparação com um modelo de referência
- Generalização, sobreajuste e noções introdutórias de validação cruzada
- Introdução ao scikit-learn para construção e avaliação de modelos
Regressão — atividade prática guiada
- Formulação de uma questão de previsão de propriedade química
- Seleção dos descritores e da propriedade-alvo
- Separação dos dados de treinamento e teste
- Construção de um modelo de referência e de um modelo de regressão linear
- Geração de previsões e comparação entre valores experimentais e previstos
- Interpretação das métricas MAE, RMSE e R²
- Análise das amostras que apresentaram os maiores erros de previsão
Classificação — demonstração guiada
- Formulação de uma questão de classificação aplicada à Química
- Construção de uma árvore de decisão com scikit-learn
- Treinamento do modelo, geração das previsões e avaliação dos resultados
- Interpretação da matriz de confusão e da acurácia
- Noções de precisão, sensibilidade e F1-score
Interpretação científica
- Quais padrões dos dados foram utilizados pelo modelo?
- A base de dados representa adequadamente o problema químico investigado?
- O modelo está fazendo previsões dentro ou fora do domínio dos dados?
- Existem indícios de sobreajuste ou vazamento de dados?
- Os resultados são reproduzíveis?
- Que validação experimental seria necessária antes de utilizar as previsões?
- O modelo pode apoiar uma decisão química ou apenas gerar uma hipótese?
Entrega: notebook contendo a preparação dos dados, a construção de um modelo de regressão, a demonstração de classificação, as métricas de desempenho e a interpretação crítica dos resultados.
Projeto prático do workshop
As três aulas serão conectadas por um estudo de caso progressivo, utilizando uma base de dados químicos previamente preparada.
Ao longo do workshop, você acompanhará as principais etapas de um fluxo introdutório de ciência de dados e aprendizado de máquina:
- Compreensão do problema químico;
- Importação e inspeção da base de dados;
- Identificação de inconsistências e preparação das variáveis;
- Análise estatística e visualização dos dados;
- Separação dos dados de treinamento e teste;
- Construção de um modelo introdutório de regressão;
- Demonstração de um modelo de classificação;
- Avaliação das métricas e análise dos erros;
- Discussão das limitações e do significado químico das previsões.
O resultado será um notebook guiado, documentado e reproduzível, mostrando como dados químicos podem ser utilizados na construção e avaliação de modelos introdutórios de aprendizado de máquina.
Tipos de Inscrição
Inscrição Gratuita
A Inscrição Gratuita inclui:
- Link para assistir às três aulas AO VIVO (SEM REPLAY);
- Notebooks guiados utilizados durante as aulas;
- Base de dados químicos utilizada nas atividades práticas;
- Certificado de participação de 6 horas.
Inscrição VIP
A Inscrição VIP inclui:
- Link para assistir às três aulas AO VIVO;
- Acesso vitalício às GRAVAÇÕES das três aulas — assista quando quiser;
- Notebooks guiados e comentados utilizados durante as aulas;
- Base de dados químicos utilizada nas atividades práticas;
- 111 Prompts ChatGPT para Escrita Científica;
- Kit 60+ Ferramentas de IA para Pesquisa Acadêmica;
- Apostila “Engenharia de Prompt: um guia introdutório para pesquisadores e acadêmicos”;
- Manual Prático de Revisão de Literatura com IA;
- Template — Projeto de Pesquisa com IA Generativa;
- Assistente de IA — Planejamento Experimental;
- Assistente de IA — Explorador e Orientador da Literatura Científica;
- Certificado de participação de 6 horas.
Inscrição Premium
A Inscrição Premium inclui todos os benefícios da Inscrição VIP, mais:
- 8 Assistentes de IA Científicos — prontos para usar;
- Banco com mais de 246 prompts científicos, prontos para usar e customizar;
- E-book Como Escrever um Artigo Científico de Impacto;
- E-book Como Utilizar IA Generativa na Pesquisa Acadêmica.
Workshop online: Como Criar Projetos de Pesquisa com IA Generativa — 4h43
- 5 videoaulas;
- 8 Assistentes de IA prontos para usar;
- Fluxo de trabalho para apoiar a elaboração de projetos científicos com IA.
Workshop online: Revisão de Literatura com IA Generativa — 6h
- 3 videoaulas;
- 5 Assistentes de IA prontos para usar;
- Aplicação da IA nas diferentes etapas da revisão da literatura.
Inscrição Expert
A Inscrição Expert inclui todos os benefícios da Inscrição Premium, mais:
Workshop online: Agentes de IA na Pesquisa Científica e Acadêmica — 3h
- 4 videoaulas;
- 2 Skills prontas para usar em agentes de IA;
- 2 Agentes de IA para revisão de literatura e planejamento experimental;
- Apostila sobre a criação de sistemas de IA personalizados.
Workshop online: Escrita Científica com Inteligência Artificial — 6h
- Planejamento e estruturação do manuscrito com IA;
- Redação científica assistida por IA;
- Edição, revisão crítica e preparação para submissão;
- Aplicação responsável da IA com preservação da precisão científica e da voz autoral.
Curso online: Criando Agentes de IA Científicos no n8n e OpenAI Agent Builder — 1h30
Você aprenderá os fundamentos da automação científica e conhecerá a estrutura necessária para criar agentes e fluxos automatizados de apoio à pesquisa.
Conteúdo:
- Conceitos básicos de automação;
- Interface e principais blocos do n8n e do OpenAI Agent Builder;
- Conexões com o ChatGPT e outras APIs;
- Criação de fluxos automatizados para pesquisa científica.
Benefícios de participar deste workshop
- Compreender as diferenças entre inteligência artificial, machine learning, deep learning e IA generativa;
- Reconhecer aplicações da inteligência artificial em diferentes áreas da Química;
- Executar comandos básicos de Python no Google Colab;
- Representar um problema químico por meio de dados e variáveis;
- Importar, inspecionar e organizar bases de dados químicos com Pandas;
- Identificar valores ausentes, duplicatas, inconsistências e possíveis valores anômalos;
- Calcular e interpretar estatísticas descritivas;
- Criar gráficos para explorar distribuições e relações entre propriedades químicas;
- Diferenciar problemas de regressão e classificação;
- Construir um modelo introdutório de regressão com scikit-learn;
- Acompanhar a construção de um modelo de classificação por árvore de decisão;
- Interpretar métricas de desempenho, previsões e erros;
- Reconhecer problemas de generalização, sobreajuste, extrapolação e vazamento de dados;
- Avaliar criticamente a utilidade e as limitações de um modelo aplicado à Química.
Para quem é este workshop?
- Estudantes de graduação e iniciação científica;
- Mestrandos e doutorandos;
- Pós-doutorandos e pesquisadores;
- Professores e orientadores;
- Profissionais da Química e da Engenharia Química;
- Profissionais das áreas de Farmácia, Materiais, Alimentos, Biotecnologia e Ciências Ambientais;
- Profissionais envolvidos em pesquisa, desenvolvimento, inovação e análise de dados;
- Pessoas que desejam iniciar o uso de aprendizado de máquina em problemas químicos.
Ferramentas utilizadas
- Google Colab para execução dos notebooks;
- Python para programação e análise;
- Pandas para organização e exploração dos dados;
- Matplotlib e Seaborn para visualização;
- scikit-learn para construção e avaliação dos modelos.
Pré-requisitos
Não é necessário possuir experiência prévia em programação ou aprendizado de máquina.
Para acompanhar as atividades práticas, o participante deverá ter:
- Uma conta Google;
- Computador com acesso à internet;
- Navegador atualizado;
- Conhecimentos básicos de Química e familiaridade com tabelas ou planilhas.
Não será necessário instalar Python no computador. Os notebooks serão executados diretamente no Google Colab.
Importante
Este é um workshop introdutório e aplicado. O objetivo é apresentar os fundamentos da preparação de dados e da construção de modelos de regressão e classificação.
Não serão desenvolvidos modelos de deep learning ou modelos generativos. Esses temas serão apresentados de maneira panorâmica para contextualizar suas aplicações na Química.
Os modelos construídos durante o workshop têm finalidade educacional. A utilização de previsões em pesquisas, processos industriais ou decisões profissionais exige análise especializada, validação independente e, quando pertinente, confirmação experimental.
Transforme dados químicos em análises, modelos e hipóteses científicas com Python.
Inscreva-se e dê seus primeiros passos na aplicação de inteligência artificial à Química.
Realização: Fator de Impacto Academy