جستجو
Persian
همه دسته بندی ها
    منو بسته

    آموزش یادگیری ماشین با داده های بیوانفورماتیک

    مدت: 40 ساعت 10 هفته 4 ساعته
    فروشنده: دپارتمان پزشکی
    2,000,000 تومان
    i h

    یادگیری ماشین و یادگیری ژرف جایگاه بخصوصی را در این رشته به خود اختصاص داده‌اند. یادگیری ماشین کاربردی از هوش مصنوعی است که در آن سیستم، قابلیت یادگیری خودکار و بهبود خود را از تجربه‌های مختلف به دست می‌آورد. یادگیری ماشین و یادگیری ژرف بر روی توسعه‌ی برنامه‌های کامپیوتری که قابلیت دسترسی به داده و استفاده از آن برای یادگیری خود را دارند، تمرکز دارد. بعضی از روش‌های یادگیری ماشین شامل این موارد است: یادگیری نظارت‌شده، یادگیری نیمه نظارت‌شده، یادگیری نظارت‌نشده و یادگیری تقویتی. یادگیری ماشین به ما این قابلیت را می‌دهد تا مقدار زیادی از داده‌ها را آنالیز کنیم. به‌طورکلی با این‌که نتایج دقیق‌تر و سریع‌تری فراهم می‌کند، به زمان و منابع بیشتری برای یادگیری نیز نیاز دارد. با پیشرفت دانش و تجهیزات در علوم زیست‌شناسی به‌ویژه علوم سلولی و مولکولی، با افزایش حجم عظیم داده‌های استخراج شده از سلول‌ها و به تبع آن موجودات مواجه هستیم. افزایش این حجم از داده‌ها و به سبب آن نیاز به ذخیره، بازیابی و تحلیل مناسب این داده‌ها، موجب پیدایش علم بیوانفورماتیک گردیده‌است. این دانش نوظهور، به‌عنوان یک دانش بین‌رشته‌ای، تلاش می‌کند تا با استفاده از تکنیک‌های موجود در علوم کامپیوتر، ریاضیات، شیمی، فیزیک و علوم مرتبط دیگر، مسائل مختلف زیست‌شناختی را که معمولاً در سطح مولکولی هستند حل کند و با توسعه ابزارها و روش‌هایی سعی در فهمیدن این حجم زیاد از داده‌ها داشته باشد. تلاش‌های پژوهشی اصلی در این رشته عبارتند از: تطابق توالی، کشف ژن، گردآوری ژنوم، تنظیم ساختار پروتئینی، پیش‌بینی ساختارهای دوم و سوم پروتئین، پیش‌بینی بیان ژن و تعاملات پروتئین-پروتئین و مدل‌سازی تکامل. یادگیری ماشین در بیوانفورماتیک فرصتی است برای فراگیری مفاهیم پایه‌ای تا جدیدترین پیشرفت‌های دانش یادگیری ماشین و هوش مصنوعی، با هدف به‌کارگیری آن در حل مسئله‌های زیست‌پزشکی.این دوره بدان جهت مهم و اساسی است که مهندسین پزشکی با به کاری آن می توانند داده های بیولوژیکی استخراجی خود را تحلیل کنند.

    مفاهیم مقدماتی (بخش اول)

    مفاهیم مقدماتی (بخش دوم)

    مفاهیم مقدماتی (بخش سوم)

    تمرین عملی روی داده‌های قلبی

    روش k-نزدیک‌ترین همسایه

    دسته‌بندی پرسپترون و روش‌های خطی

    انتخاب ویژگی (Feature Selection)، استخراج ویژگی (Feature Extraction)، Cross-Validation ،Classification

    ماشینِ بردار پشتیبان

    پیاده‌سازی پرسپترون، Mini-Batch و Learning Rate

    ادامه‌ی ماشین‌های بردار پشتیبان

    یادگیری مشارکتی

    تحلیل داده‌های بیان ژن، کاهش ابعاد و PCA

    انتخاب ویژگی (Feature Selection)

    کاهش ویژگی (PCA)

    خوشه‌بندی (k-means)

    خوشه‌بندی سلسله‌مراتبی و k-means در R

    ادامه‌ی خوشه‌بندی، الگوریتم EM

    مروری بر الگوریتم خوشه‌بندی سلسله‌مراتبی و ضریب همبستگی Pearson و Spearman

    ادامه‌ی توزیع ترکیبی گوسی

    الگوریتم Expectation–maximization و کاربرد آن در Strand Sequencing

    مدل‌های مخفی مارکوف (HMM)

    کاهش ابعاد به روش t-SNE

    شبکه‌های عصبی چندلایه (MLP)

     Scikit-learn

    شبکه‌های پیچشی (CNN)

    ادامه‌ی آموزش شبکه‌ها - افزایش عمق شبکه

     Autoencoder

    شبکه‌های ResNet - خودکدگذار (Autoencoder)

    شبکه‌های مولد تخاصمی یا Generative Adversarial Networks (GAN)

    مباحث نظری در شبکه‌های عمیق - شبکه‌های VAE

    یادگیری خودنظارتی (Self-supervised Learning) و تعبیه‌ی کلمه(Word Embedding)

    ادامه‌ی شبکه‌های VAE - شبکه‌های بازگشتی

     

    0.0 0
    نقد و بررسی خود را بنویسید بستن
    *
    *
    • بد
    • عالی
    *
    *
    *

    یادگیری ماشین و یادگیری ژرف جایگاه بخصوصی را در این رشته به خود اختصاص داده‌اند. یادگیری ماشین کاربردی از هوش مصنوعی است که در آن سیستم، قابلیت یادگیری خودکار و بهبود خود را از تجربه‌های مختلف به دست می‌آورد. یادگیری ماشین و یادگیری ژرف بر روی توسعه‌ی برنامه‌های کامپیوتری که قابلیت دسترسی به داده و استفاده از آن برای یادگیری خود را دارند، تمرکز دارد. بعضی از روش‌های یادگیری ماشین شامل این موارد است: یادگیری نظارت‌شده، یادگیری نیمه نظارت‌شده، یادگیری نظارت‌نشده و یادگیری تقویتی. یادگیری ماشین به ما این قابلیت را می‌دهد تا مقدار زیادی از داده‌ها را آنالیز کنیم. به‌طورکلی با این‌که نتایج دقیق‌تر و سریع‌تری فراهم می‌کند، به زمان و منابع بیشتری برای یادگیری نیز نیاز دارد. با پیشرفت دانش و تجهیزات در علوم زیست‌شناسی به‌ویژه علوم سلولی و مولکولی، با افزایش حجم عظیم داده‌های استخراج شده از سلول‌ها و به تبع آن موجودات مواجه هستیم. افزایش این حجم از داده‌ها و به سبب آن نیاز به ذخیره، بازیابی و تحلیل مناسب این داده‌ها، موجب پیدایش علم بیوانفورماتیک گردیده‌است. این دانش نوظهور، به‌عنوان یک دانش بین‌رشته‌ای، تلاش می‌کند تا با استفاده از تکنیک‌های موجود در علوم کامپیوتر، ریاضیات، شیمی، فیزیک و علوم مرتبط دیگر، مسائل مختلف زیست‌شناختی را که معمولاً در سطح مولکولی هستند حل کند و با توسعه ابزارها و روش‌هایی سعی در فهمیدن این حجم زیاد از داده‌ها داشته باشد. تلاش‌های پژوهشی اصلی در این رشته عبارتند از: تطابق توالی، کشف ژن، گردآوری ژنوم، تنظیم ساختار پروتئینی، پیش‌بینی ساختارهای دوم و سوم پروتئین، پیش‌بینی بیان ژن و تعاملات پروتئین-پروتئین و مدل‌سازی تکامل. یادگیری ماشین در بیوانفورماتیک فرصتی است برای فراگیری مفاهیم پایه‌ای تا جدیدترین پیشرفت‌های دانش یادگیری ماشین و هوش مصنوعی، با هدف به‌کارگیری آن در حل مسئله‌های زیست‌پزشکی.این دوره بدان جهت مهم و اساسی است که مهندسین پزشکی با به کاری آن می توانند داده های بیولوژیکی استخراجی خود را تحلیل کنند.