Inteligência Artificial aplicada à Química

Publicação à pedido:

 

Inteligência Artificial aplicada à Química

Introdução à análise de dados e ao aprendizado de máquina com Python

📅 Datas: 30 de novembro, 01 e 03 de dezembro de 2026
🕖 Horário: 19h às 21h — horário de Brasília
💻 Evento 100% online, com inscrições gratuitas (até 30/11) e certificado de participação de 6 horas.

Link para inscrição:

👉 REALIZAR INSCRIÇÃO

Ministrado por:

Dr. Gabriel Nicolai
Doutor em Engenharia Química pela Unicamp

O que será abordado no workshop

Aula 1 (30/11) — Inteligência artificial, dados e Python para Química

Conteúdo programático

  • 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 em descoberta de fármacos, desenvolvimento de materiais, toxicidade, análise espectral, planejamento de sínteses e otimização de processos;
  • Como moléculas, materiais, experimentos e propriedades químicas podem ser representados como dados;
  • Organização de dados químicos em amostras, variáveis, descritores e propriedades;
  • Introdução ao Google Colab;
  • 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.

Aula 2 (01/12) — Organização e visualização de dados químicos com Pandas

Conteúdo programático

  • Introdução ao Pandas e ao conceito de DataFrame;
  • Importação de arquivos CSV no Google Colab;
  • Estatística descritiva: média, mediana, mínimo, máximo e desvio padrão;
  • Histogramas, gráficos de barras, linhas e dispersão;
  • Interpretação de relações entre variáveis químicas.
  • Importação de uma base de compostos e propriedades químicas;
  • Inspeção e organização dos dados;
  • Identificação de possíveis inconsistências;
  • Cálculo de estatísticas descritivas;
  • Produção de gráficos para investigar distribuições, relações e possíveis valores anômalos;
  • Discussão dos problemas que precisam ser corrigidos antes da construção de modelos.

 

Aula 3 (03/12) — Construção de modelos de regressão e classificação

Conteúdo programático

  • Aprendizado supervisionado;
  • Variáveis de entrada e variável-alvo;
  • Diferenças entre regressão e classificação;
  • Separação dos dados em conjuntos de treinamento e teste;
  • Treinamento, previsão e avaliação dos modelos;
  • Generalização, sobreajuste e introdução à validação cruzada;
  • Introdução ao scikit-learn.

      Regressão

  • Formulação de uma questão de previsão de propriedade química;
  • Seleção dos descritores e da propriedade-alvo;
  • Construção de um modelo de referência e de regressão linear;
  • Comparação entre valores experimentais e previstos;
  • Interpretação de MAE, RMSE e R²;
  • Análise das amostras com maiores erros de previsão.

      Classificação

  • Formulação de um problema de classificação aplicado à Química;
  • Construção de uma árvore de decisão;
  • Geração e avaliação das previsões;
  • Interpretação da matriz de confusão e da acurácia;
  • Introdução à precisão, sensibilidade e F1-score.

Benefícios para os participantes

Ao final do workshop, os participantes poderão:

  • compreender diferenças entre IA, machine learning, deep learning e IA generativa;
  • reconhecer aplicações da IA em diferentes áreas da Química;
  • executar comandos básicos de Python no Google Colab;
  • representar problemas químicos por meio de dados e variáveis;
  • importar, inspecionar e organizar dados químicos com Pandas;
  • identificar valores ausentes, duplicatas e inconsistências;
  • calcular e interpretar estatísticas descritivas;
  • criar visualizações para explorar propriedades químicas;
  • diferenciar problemas de regressão e classificação;
  • acompanhar a construção de modelos introdutórios com scikit-learn;
  • interpretar métricas de desempenho e erros de previsão;
  • reconhecer limitações relacionadas a generalização, sobreajuste e extrapolação;
  • avaliar criticamente o significado científico das previsões.

Público-alvo

O workshop é destinado a: estudantes de graduação e iniciação científica; mestrandos e doutorandos; pós-doutorandos e pesquisadores; professores e orientadores; profissionais da Química e Engenharia Química; profissionais das áreas de Farmácia, Materiais, Alimentos, Biotecnologia e Ciências Ambientais; profissionais envolvidos em pesquisa, desenvolvimento, inovação e análise de dados; pessoas interessadas em iniciar o uso de aprendizado de máquina em problemas químicos.

Não é necessário possuir experiência prévia em programação ou aprendizado de máquina.

Para acompanhar as atividades práticas, será necessário apenas computador com acesso à internet, navegador atualizado e uma conta Google.

Não será necessário instalar Python: todos os notebooks serão executados diretamente no Google Colab.

Durante o workshop serão utilizadas:

  • Google Colab — execução dos notebooks;
  • Python — programação e análise;
  • Pandas — organização e exploração dos dados;
  • Matplotlib e Seaborn — visualização;
  • scikit-learn — construção e avaliação dos modelos.

Inscrições

As inscrições podem ser realizadas diretamente pela página:

👉 REALIZAR INSCRIÇÃO

Caso seja possível, agradeço imensamente o apoio na divulgação junto a alunos, professores, pesquisadores, grupos de pesquisa, programas de graduação e pós-graduação, profissionais e redes institucionais que possam ter interesse no tema.

Para dúvidas ou mais informações:
📩 contato@harrsonsantana.com.br

Atenciosamente,

Dr. Harrson S. Santana
Doutor em Engenharia Química (Unicamp)
Fundador da Fator de Impacto Academy