Deep learning in life science
Informacje ogólne
Kod przedmiotu: | 1000-2M23DLS |
Kod Erasmus / ISCED: |
11.3
|
Nazwa przedmiotu: | Deep learning in life science |
Jednostka: | Wydział Matematyki, Informatyki i Mechaniki |
Grupy: |
Przedmioty kierunkowe na studiach drugiego stopnia na kierunku bioinformatyka Przedmioty obieralne dla informatyki Przedmioty obieralne dla Machine Learning |
Punkty ECTS i inne: |
6.00
|
Język prowadzenia: | angielski |
Rodzaj przedmiotu: | monograficzne |
Zajęcia w cyklu "Semestr letni 2023/24" (zakończony)
Okres: | 2024-02-19 - 2024-06-16 |
Przejdź do planu
PN WYK
WT ŚR CZ LAB
LAB
PT |
Typ zajęć: |
Laboratorium, 30 godzin
Wykład, 30 godzin
|
|
Koordynatorzy: | Bartosz Wilczyński | |
Prowadzący grup: | Marcin Możejko, Maciej Sikora, Joanna Sułkowska, Bartosz Wilczyński | |
Strona przedmiotu: | https://deeplife4eu.github.io/ | |
Lista studentów: | (nie masz dostępu) | |
Zaliczenie: | Egzamin | |
Kierunek podstawowy MISMaP: | biologia |
|
Założenia (lista przedmiotów): | Statystyczna analiza danych 1000-714SAD |
|
Przedmiot dedykowany programowi: | 4EU+KURSY |
|
Skrócony opis: |
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. |
|
Pełny opis: |
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 |
|
Literatura: |
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). |
|
Uwagi: |
Przedmiot zaliczany na podstawie prac domowych zadawanych na laboratoriuach. Najlepsi studenci mają możliwość wyjazdu na hackathon do Heidelberga w czerwcu. |
Zajęcia w cyklu "Semestr letni 2024/25" (jeszcze nie rozpoczęty)
Okres: | 2025-02-17 - 2025-06-08 |
Przejdź do planu
PN WYK
WT ŚR CZ LAB
LAB
PT |
Typ zajęć: |
Laboratorium, 30 godzin
Wykład, 30 godzin
|
|
Koordynatorzy: | (brak danych) | |
Prowadzący grup: | Ada Hryniewicka, Maciej Sikora, Joanna Sułkowska, Bartosz Wilczyński | |
Lista studentów: | (nie masz dostępu) | |
Zaliczenie: | Egzamin |
Właścicielem praw autorskich jest Uniwersytet Warszawski.