Deep learning in life science

biologia
informatyka

Statystyczna analiza danych 1000-714SAD
Wstęp do informatyki 1000-711WIN

4EU+KURSY

Wykład prowadzony jako część działania Seed4EU+ koordynowany przez Uniwersytet w Hedielbergu, we współpracy z WU, Uniwersytetem w Mediolanie, Uniwersytetem Karola w Pradze i Sorboną.

Poruszane będą tematy zastosowań głębokiego uczenia w naukach przyrodniczych. Po 4 wykładach wstępnych planowane są 3 wykłady nt. zastosowań w genomice, 3 wykłady o analizie obrazów biomedycznych i 4 wykłady o modelowaniu struktur białek.

Wykłady wstępne:

1. Podstawy głębokiego uczenia maszynowego

2. Sieci konwolucyjne i rekurencyjne

3. Auto-enkodery klasyczne i wariacyjne

4. Transformery

Genomika:

5. Transformery i RNN w analizie sekwencji genomowych

6. Modele DL integracji danych wielomodalnych

7. VAE w genomice pojedyńczych komórek

Struktura białek:

8. Alphafold, EMSfold do przewidywania struktury białek

9. modele RNN, CNNdo analizy topologii biopolimerów

10. modele DL dla predykcji interakcji ligand-białko

11. Modele dyfuzyjne dla projektowania białek

analiza obrazów biomedycznych:

12. Wstęp do DL w analizie obrazu

13. Architektury DL do próbkowania makro-molekularnego

14. DL w segmentacji obrazów

Deep Learning book by Goodfellow, Bengio, Courville

The Elements of Statistical Learning by Hastie, Tibshirani, Friedman

An Introduction to Statistical Learning by Hastie, Tibshirani, Friedman (a simpler version of the previous book)

Machine learning with PyTorch and scikit-learn by Raschka, Liu, Mirjalili (a great introduction into the technical aspects of DL in pyTorch).

Przedmiot zaliczany na podstawie prac domowych zadawanych na laboratoriuach. Najlepsi studenci mają możliwość wyjazdu na hackathon do Heidelberga w czerwcu.