Uniwersytet Mikołaja Kopernika w Toruniu - Centralny punkt logowania
Strona główna

Artificial Intelligence in Chemistry: A beginner’s guide towards Data Scientist

Informacje ogólne

Kod przedmiotu: 0600-EN-AICh
Kod Erasmus / ISCED: 13.3 Kod klasyfikacyjny przedmiotu składa się z trzech do pięciu cyfr, przy czym trzy pierwsze oznaczają klasyfikację dziedziny wg. Listy kodów dziedzin obowiązującej w programie Socrates/Erasmus, czwarta (dotąd na ogół 0) – ewentualne uszczegółowienie informacji o dyscyplinie, piąta – stopień zaawansowania przedmiotu ustalony na podstawie roku studiów, dla którego przedmiot jest przeznaczony. / (0531) Chemia Kod ISCED - Międzynarodowa Standardowa Klasyfikacja Kształcenia (International Standard Classification of Education) została opracowana przez UNESCO.
Nazwa przedmiotu: Artificial Intelligence in Chemistry: A beginner’s guide towards Data Scientist
Jednostka: Wydział Chemii
Grupy: Przedmioty dla studentów z programu Socrates/Erasmus
Punkty ECTS i inne: 4.00 Podstawowe informacje o zasadach przyporządkowania punktów ECTS:
  • roczny wymiar godzinowy nakładu pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się dla danego etapu studiów wynosi 1500-1800 h, co odpowiada 60 ECTS;
  • tygodniowy wymiar godzinowy nakładu pracy studenta wynosi 45 h;
  • 1 punkt ECTS odpowiada 25-30 godzinom pracy studenta potrzebnej do osiągnięcia zakładanych efektów uczenia się;
  • tygodniowy nakład pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się pozwala uzyskać 1,5 ECTS;
  • nakład pracy potrzebny do zaliczenia przedmiotu, któremu przypisano 3 ECTS, stanowi 10% semestralnego obciążenia studenta.
Język prowadzenia: angielski
Wymagania wstępne:

(tylko po angielsku) General Chemistry

General Mathematics

No prior knowledge of programming is required
Całkowity nakład pracy studenta:

(tylko po angielsku) Contact hours with teacher:


- participation in lectures: 20 hrs

- participation in laboratory: 40 hrs


Self-study hours:


- preparation for lectures/tutorial/laboratory - 20 hrs

- preparation for presentations - 10 hrs

- completion of a projects - 20 hrs

- reading literature - 10 hrs


Altogether: 120 hrs


Efekty uczenia się - wiedza:

(tylko po angielsku) - Understands the fundamentals of artificial intelligence and its applications in chemistry.

- Knows key algorithms and models used in computational chemistry with machine learning, including: linear regression, least square regression, k-nearest neighbours, support vector machines, classification and regression trees and artificial neural networks

- Familiar with the ethical implications and challenges of AI in science.
Efekty uczenia się - umiejętności:

(tylko po angielsku) - Able to handle and visualize different types of datasets common in Chemistry.

- Use Python for AI-driven data analysis in chemistry.

- Process data for use in machine learning approaches.

- Able to apply AI techniques to solve basic chemical problems.

- Identify the suitability of different ML approaches to answer chemical questions based on data.

- Use standard ML python pipelines to train models.

- Assess the quality of the models and their predictive power.

- Recognize different applications of ML in Chemistry.

Efekty uczenia się - kompetencje społeczne:

(tylko po angielsku) - Recognizes the role of AI in advancing chemistry and other sciences.

- Demonstrates readiness to explore interdisciplinary approaches integrating AI and chemistry.

- Aware of the need for ethical considerations when using AI tools.

- Develop interpersonal skills such as communication, cooperation in group and problem-solving abilities
Metody dydaktyczne:

(tylko po angielsku) - informative lecture

- laboratories

- discussion

- presentation of a paper

- project work
Metody dydaktyczne eksponujące:

- inscenizacja
- pokaz
- symulacyjna (gier symulacyjnych)
Metody dydaktyczne podające:

- opis
- tekst programowany
- wykład informacyjny (konwencjonalny)
- wykład konwersatoryjny
- wykład problemowy
Metody dydaktyczne poszukujące:

- ćwiczeniowa
- giełda pomysłów
- laboratoryjna
- projektu
- punktowana
- referatu
- seminaryjna
Metody dydaktyczne w kształceniu online:

- metody ewaluacyjne
- metody oparte na współpracy
- metody rozwijające refleksyjne myślenie
- metody służące prezentacji treści
- metody wymiany i dyskusji
Skrócony opis: (tylko po angielsku)

The aim of the course is to expose the students to modern chemical informatics and machine learning (ML) driven approaches for computational modeling and prediction about chemical data, illustrated with applications to research into the discovery of new materials. The course will cover topics such as the basics of machine learning, common algorithms, and their applications in chemistry.
Pełny opis: (tylko po angielsku)

The course is designed for general university students with a background in chemistry and mathematics. It consists of 20 hours of lectures covering the basics of AI, its historical context, key algorithms (e.g., neural networks, decision trees), and its role in modern chemistry. The computational laboratory (40 hours) offers hands-on training in AI tools such as Python, TensorFlow, and cheminformatics libraries. Students will engage in projects such as molecular property prediction, chemical reaction modeling, and exploring datasets for drug discovery. Ethical considerations and limitations of AI in chemistry are also discussed.

Literatura: (tylko po angielsku)

1. "Artificial Intelligence in Chemistry: Fundamentals and Applications" by Alán Aspuru-Guzik.

2. "Python for Chemists: An Introduction" by Tim James.

3. Selected scientific articles and online resources provided during the course.
Metody i kryteria oceniania: (tylko po angielsku)

Assessment methods:

- seminar: 40 pts

- Project: 40 pts

- class activity: 20 pts

Assessment criteria:

fail- 0 - 49 pts (< 50 %)

satisfactory- 50 - 59 pts (< 60 %)

satisfactory plus- 60 - 65 pts (< 65 %)

good – 66 - 75 pts (< 75 %)

good plus- 76 - 80 pts (< 80 %)

very good- 81 - 100 pts (< 100 %)

Zajęcia w cyklu "Semestr letni 2025/26" (jeszcze nie rozpoczęty)

Okres: 2026-02-23 - 2026-09-20
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Laboratorium, 40 godzin więcej informacji
Wykład, 20 godzin więcej informacji
Koordynatorzy: Saikat Mukherjee
Prowadzący grup: Saikat Mukherjee
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Zaliczenie na ocenę
Laboratorium - Zaliczenie na ocenę
Wykład - Zaliczenie na ocenę
Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest Uniwersytet Mikołaja Kopernika w Toruniu.
ul. Jurija Gagarina 11, 87-100 Toruń tel: +48 56 611-40-10 https://usosweb.umk.pl/ kontakt deklaracja dostępności mapa serwisu USOSweb 7.1.1.0-7 (2025-03-24)