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:
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:
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