Uniwersytet Warszawski, Wydział Fizyki - Centralny System Uwierzytelniania
Strona główna

Deep learning in life science

Informacje ogólne

Kod przedmiotu: 1000-2M23DLS
Kod Erasmus / ISCED: 11.3 Kod klasyfikacyjny przedmiotu składa się z trzech do pięciu cyfr, przy czym trzy pierwsze oznaczają klasyfikację dziedziny wg. Listy kodów dziedzin obowiązującej w programie Socrates/Erasmus, czwarta (dotąd na ogół 0) – ewentualne uszczegółowienie informacji o dyscyplinie, piąta – stopień zaawansowania przedmiotu ustalony na podstawie roku studiów, dla którego przedmiot jest przeznaczony. / (0612) Database and network design and administration Kod ISCED - Międzynarodowa Standardowa Klasyfikacja Kształcenia (International Standard Classification of Education) została opracowana przez UNESCO.
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 Podstawowe informacje o zasadach przyporządkowania punktów ECTS:
  • roczny wymiar godzinowy nakładu pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się dla danego etapu studiów wynosi 1500-1800 h, co odpowiada 60 ECTS;
  • tygodniowy wymiar godzinowy nakładu pracy studenta wynosi 45 h;
  • 1 punkt ECTS odpowiada 25-30 godzinom pracy studenta potrzebnej do osiągnięcia zakładanych efektów uczenia się;
  • tygodniowy nakład pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się pozwala uzyskać 1,5 ECTS;
  • nakład pracy potrzebny do zaliczenia przedmiotu, któremu przypisano 3 ECTS, stanowi 10% semestralnego obciążenia studenta.

zobacz reguły punktacji
Język prowadzenia: angielski
Rodzaj przedmiotu:

monograficzne

Zajęcia w cyklu "Semestr letni 2023/24" (zakończony)

Okres: 2024-02-19 - 2024-06-16
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Laboratorium, 30 godzin więcej informacji
Wykład, 30 godzin więcej informacji
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
informatyka

Założenia (lista przedmiotów):

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

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.

Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest Uniwersytet Warszawski, Wydział Fizyki.
ul. Pasteura 5, 02-093 Warszawa tel: +48 22 5532 000 https://www.fuw.edu.pl/ kontakt deklaracja dostępności mapa serwisu USOSweb 7.0.4.0-4 (2024-07-15)