机构名称：
¥ 1.0
在化学，生物化学和生物物理学学生的分子建模课程中 82 University Place，Burlington，VT 05403）摘要：计算机硬件和软件的最新进展，尤其是机器学习库的可用性，允许引入基于数据的主题，例如机器学习，例如用于本科和/或研究生级别的生物物理课程。 但是，在生物物理专业的高级学生中，教学机器学习的实际挑战很多，他们通常没有丰富的计算背景。 为了克服此类挑战，我们提出了一项教育研究，包括当然主题的设计，教学工具和学生学习的评估，以开发新方法，以将机器学习的基础纳入现有的生物物理选修课程，并让学生参与练习以在跨学科中解决问题。 通常，我们观察到学生有足够的好奇心学习和应用机器学习算法来预测分子特性。 值得注意的是，学生的反馈建议必须注意确保学生准备使用机器学习算法所需的数据驱动概念和基本编码方面的准备。 关键词：机器学习，教学工具，课程设计，计算生物物理学，分子生物物理学。 1。 简介。82 University Place，Burlington，VT 05403）摘要：计算机硬件和软件的最新进展，尤其是机器学习库的可用性，允许引入基于数据的主题，例如机器学习，例如用于本科和/或研究生级别的生物物理课程。但是，在生物物理专业的高级学生中，教学机器学习的实际挑战很多，他们通常没有丰富的计算背景。为了克服此类挑战，我们提出了一项教育研究，包括当然主题的设计，教学工具和学生学习的评估，以开发新方法，以将机器学习的基础纳入现有的生物物理选修课程，并让学生参与练习以在跨学科中解决问题。通常，我们观察到学生有足够的好奇心学习和应用机器学习算法来预测分子特性。值得注意的是，学生的反馈建议必须注意确保学生准备使用机器学习算法所需的数据驱动概念和基本编码方面的准备。关键词：机器学习，教学工具，课程设计，计算生物物理学，分子生物物理学。1。简介。这项工作为未来的教学方法建立了一个框架，该方法将机器学习和生物物理课程中的任何现有课程团结在一起，同时还指出了教育者和学生可能面临的关键挑战。
1个分子建模课程的机器学习...
主要关键词
相关文件推荐
![机器学习[2：0：2 = 3]课程内容](/simg/3/3c3c5fbc077e812f9f79c8e1f3d650d5b5baa120.webp)
