Modelowanie złożonych systemów biologicznych
Informacje ogólne
Kod przedmiotu: | 1000-719bMSB |
Kod Erasmus / ISCED: | (brak danych) / (brak danych) |
Nazwa przedmiotu: | Modelowanie złożonych systemów biologicznych |
Jednostka: | Wydział Matematyki, Informatyki i Mechaniki |
Grupy: |
Przedmioty 4EU+ (z oferty jednostek dydaktycznych) Przedmioty obowiązkowe na studiach drugiego stopnia na kierunku bioinformatyka |
Punkty ECTS i inne: |
6.00
|
Język prowadzenia: | angielski |
Rodzaj przedmiotu: | obowiązkowe |
Skrócony opis: |
Modele i wnioskowanie w obliczeniowej biologii molekularnej, ze szczególnym uwzględnieniem wykorzystania statystyki i metod uczenia maszynowego do zrozumienia złożonych systemów. |
Pełny opis: |
Badamy współczesne wyzwania w modelowaniu i rozumieniu złożonych systemów biologicznych za pomocą danych. Wysokowydajne pomiary molekularne wymusiły rozwój i zastosowanie statystyki i uczenia maszynowego, co dało początek biologii obliczeniowej. Technologie mikromacierzy i sekwencjonowania pozwalają nam określić ilościowo, w jaki sposób złożone systemy reagują na warunki doświadczalne i zewnętrzne oraz jak na nie wpływają. Takie pomiary pozwalają lepiej zrozumieć podstawowe zasady organizacji i funkcjonalność cząsteczek i komórek. Ostatnio nastąpił interesujący postęp w analizach pojedynczych komórek, genomice przestrzennej, obrazowaniu itp. obejmujący wyższe rozdzielczości, skale i złożoność. Na tym kursie zajmiemy się eksploracyjną analizą danych, uczeniem się statystycznym i sieciami neuronowymi, które są specjalnie zaprojektowane do takich badań biologicznych. Warunkiem wstępnym jest dobra znajomość statystyki i programowania. Studenci będą programować w językach R i Python, co tydzień czytać podstawową literaturę i wykonywać projekty analizy danych. |
Literatura: |
An Introduction to Statistical Learning with Applications in R by Gareth James, Daniela Witten, Trevor Hastie and Rob Tibshirani The Elements of Statistical Learning: Data Mining, Inference, and Prediction. by Trevor Hastie, Robert Tibshirani, Jerome Friedman Deep Learning with Python by Francois Chollet Studenci zostaną poproszeni o przeczytanie wybranych oryginalnych prac badawczych i przeglądowych. |
Efekty uczenia się: |
potrafi modelować złożone systemy na poziomie sieci, komórki, organizmu i meta genomów (K_U09) |
Metody i kryteria oceniania: |
Udział w zajęciach, prace domowe, raport z projektu, prezentacja. |
Zajęcia w cyklu "Semestr letni 2021/22" (zakończony)
Okres: | 2022-02-21 - 2022-06-15 |
![]() |
Typ zajęć: |
Laboratorium, 30 godzin
Wykład, 30 godzin
|
|
Koordynatorzy: | Neo Christopher Chung | |
Prowadzący grup: | Neo Christopher Chung, Krzysztof Gogolewski | |
Lista studentów: | (nie masz dostępu) | |
Zaliczenie: | Egzamin | |
Przedmiot dedykowany programowi: | 4EU+KURSY |
Zajęcia w cyklu "Semestr letni 2022/23" (jeszcze nie rozpoczęty)
Okres: | 2023-02-20 - 2023-06-18 |
![]() |
Typ zajęć: |
Ćwiczenia, 30 godzin
Wykład, 30 godzin
|
|
Koordynatorzy: | Neo Christopher Chung | |
Prowadzący grup: | Neo Christopher Chung | |
Lista studentów: | (nie masz dostępu) | |
Zaliczenie: | Egzamin |
Właścicielem praw autorskich jest Uniwersytet Warszawski, Wydział Matematyki, Informatyki i Mechaniki.