Python и нейронные сети в биомедицинских исследованиях: от кода до применения

9000,00
р.
Этот модуль предназначен для биологов, медиков и исследователей, которые хотят освоить практические методы работы с нейронными сетями и научиться применять их к своим данным. Модуль последовательно знакомит с тем, как устроены и обучаются современные модели: от самых простых примеров до решения задач анализа изображений и биологических последовательностей. Обучение основано на работе с реальными задачами из биологии и медицины.

Входит в состав образовательной траектории
«Машинное обучение и нейронные сети в биологии и медицине»

Сложность: средний уровень

Направление: Анализ данных

Направление: Искусственный интеллект

Уровень сложности: Средний

Инструменты: Python

Инструменты: PyTorch

Инструменты: NumPy

Инструменты: CNN

Инструменты: Pandas

Преподаватель: Укладов Егор

Преподаватель: Бобровских Александр

Подробная информация о блоке
Программа обучения
Характеристики образовательного модуля

Подробная информация о блоке

Модуль сочетает постепенное освоение основных принципов построения моделей и их применение в практических задачах. Сначала слушатели разбирают базовые конструкции Python, необходимые для дальнейшей работы. Затем переходят к обучению простых моделей и знакомству с тем, как они принимают решения.

По мере продвижения рассматриваются методы, позволяющие анализировать изображения, работать с данными о белках и применять уже обученные модели, доступные в открытых библиотечных ресурсах.
Особое внимание уделяется задачам, с которыми специалисты в биологии и медицине сталкиваются в своей работе: обработке изображений, выделению объектов на снимках, анализу последовательностей. Модуль организован так, чтобы слушатель не просто освоил техники, но и понял, как применять их в своих собственных проектах.

Для кого этот модуль
  • Биологи, медики, студенты и аспиранты естественно-научных направлений.
  • Научные сотрудники и специалисты, работающие с изображениями, последовательностями или большими объемами данных.
  • Практикующие врачи и сотрудники лабораторий, которым нужны современные инструменты анализа данных.
  • Аналитики и исследователи, интересующиеся применением методов ИИ в биологических и медицинских задачах.

Что вы получите после прохождения модуля:
  • Понимание того, как устроены современные модели и как они обучаются.
  • Навыки подготовки данных: работа с изображениями, нормализация, базовые способы увеличения обучающих наборов.
  • Умение обучать и оценивать модели, корректно интерпретировать полученные результаты.
  • Практический опыт применения методов ИИ к биологическим задачам: анализ изображений, работа с данными о белках.
  • Готовый проект, который можно использовать как основу для дальнейших исследований или внедрения в рабочие процессы.

Программа обучения

Тема 1. Установка модуля PyTorch. Основы Python, условный оператор, циклы
Содержание
Компилируемые и интерпретируемые языки программирования. Динамическая типизация переменных. Преимущества динамической типизации. Типы переменных в Python. Изменяемые и неизменяемые переменные. Условный оператор if. Цикл итеративного перебора for. Цикл с предусловием while. Работа со строками и методы строк.
Практическая работа
Разработка простых программ на Python: условные операторы, циклы, строки и генерация случайных данных.

Тема 2. Одиночный перцептрон. Строение и обучение
Содержание
Введение в нейронные сети. Задачи глубокого обучения, виды нейронных сетей. Одиночный перцептрон (нейрон) как основа всех нейронных сетей. Строение одиночного перцептрона. Линейная и логистическая регрессии.

Тема 3. Знакомство с объектно-ориентированным программированием на примере написания класса и обучения одиночного перцептрона
Содержание
Обучение одиночного перцептрона. Объектно-ориентированное программирование в Python на примере написания класса одиночного перцептрона.
Практическая работа
Создание класса одиночного перцептрона и обучение нейрона на простом датасете

Тема 4. Строение и обучение нейронных сетей
Содержание
Виды нейронных сетей. Общий план строения нейронных сетей. Полносвязные нейронные сети. Сверточные нейронные сети. Реккурентные нейронные сети. Алгоритм краткосрочной и долгосрочной памяти в искусственных нейронных сетях. Нейросети типа трансформер. Алгоритм внимания в нейронных сетях. Энкодер и декодер. Автоэнкодер.

Тема 5. Сверточные нейронные сети. Классификация изображений
Содержание
Задача классификации изображений. Сверточные нейронные сети как аналоги зрительной коры млекопитающих.

Тема 6. L1/L2 Регуляризация для борьбы с переобучением в нейронных сетях
Содержание
Методы регуляции L1 (Лассо) и L2 (Ридж). Их математическая основа, различия и применение для штрафа больших весов с целью снижения переобучения моделей. Реализация сверточной нейронной сети для классификации гистологических снимков. Применение L1/L2-регуляризации для снижения переобучения.

Тема 7. Решение задачи классификации изображений на примере классификации фотографий здоровых и поражённых Phythophthora infestans листьев картофеля
Содержание
Решение задачи классификации изображений на примере фотографий здоровых и поражённых Phythophthora infestans листьев картофеля.
Практическая работа
Подготовка датасета изображений для последующей классификации: структура данных о здоровых и поражённых листьях картофеля.

Тема 8. Использование предобученных моделей классификации изображений для задачи классификации изображений на примере классификации фотографий здоровых и поражённых Phythophthora infestans листьев картофеля. Сравнение с собственной моделью.
Содержание
Использование и возможности предобученных нейронных сетей. Замены выходного слоя предобученной нейронной сети. Дообучение предобученной модели на примере классификации фотографий здоровых и поражённых Phythophthora infestans листьев картофеля. Сравнение с собственной моделью.
Практическая работа
Дообучение предобученной нейросети для классификации изображений листьев картофеля и сравнение с собственной моделью

Тема 9. Использование предобученных нейронных сетей на примере ESM-трансформера. Решение задачи регрессии на примере предсказания температуры плавления белка по первичной последовательности
Содержание
Проблема векторизации строковых переменных (нуклеотидных и белковых последовательностей, слов). Использование предобученных нейронных сетей для векторизации белковых последовательностей. Решение задачи регресии на примере предсказания температуры плавления белка по первичной последовательности.
Практическая работа
Использование ESM-трансформера для векторизации белковых последовательностей и построение модели для предсказания температуры плавления белка

Тема 10. Сегментация изображений. Решение задачи сегментации на примере определения раковых клеток на гистологических препаратах.
Содержание
Сегментация изображений. Архитектура U-Net для решения задачи сегментации изображений. Понятие маски изображения. Сегментация как классификация каждого пикселя изображения. Решение задачи сегментации на примере определения раковых клеток на гистологических препаратах.
Практическая работа
Обучение простой архитектуры U-Net для сегментации раковых клеток на гистологических изображениях

Итоговая аттестация

Характеристики образовательного модуля

Характеристики образовательного модуля:

  • Продолжительность: 28 ак. ч.
  • Сложность: средний уровень
  • Направления: анализ данных, искусственный интеллект
  • Навыки: архитектуры нейросетей, обучение моделей, работа с изображениями, интерпретация результатов
  • Инструменты: Python, PyTorch, NumPy, Pandas, CNN
  • Документ об образовании: удостоверении о повышении квалификации НГУ

Эксперты образовательного модуля:

  • Егор Олегович Укладов, преподаватель НГУ, преподаватель кафедры биологии СУНЦ НГУ, сотрудник центра коллективного пользования «Сибирский кольцевой источник фотонов»
  • Бобровских Александр Владимирович, старший преподаватель ФЕН НГУ, м.н.с. ИЦИГ СО РАН