Вернуться к образовательным траекториям

Машинное обучение и нейросети в биологии и медицине

28000,00
р.
36000,00
р.
Подать заявку
Курс разработан специально для тех, кто работает с биологическими, медицинскими или лабораторными данными и хочет научиться использовать современные инструменты анализа без перегрузки сложной теорией.

Программа подготовлена при консультативной поддержке экспертов ИЦ Хелснет НТИ
О программе
Цели и результаты обучения
Образовательные модули программы
Характеристики курса

О программе

Курс начинается с самых основ (программирование на Python, обработка данных) и шаг за шагом подводит к сложным нейросетевым моделям.

Цель программы — дать специалистам уверенные навыки работы с данными и моделями машинного обучения, чтобы они могли решать задачи своей предметной области. Слушатели научатся обрабатывать реальные данные (например, single-cell RNA-seq), классифицировать изображения с помощью сверточных нейронных сетей (CNN), использовать трансформеры (ESM) и инструменты вроде AlphaFold, ProteinMPNN, RFDiffusion, а также добавлять свои проекты в GitHub для работы в команде.

Курс сфокусирован на том, чтобы вы научились самостоятельно разрабатывать и обучать модели машинного обучения с использованием библиотеки scikit-learn и создавать нейронные сети на базе PyTorch.

Цели и результаты обучения

Этот курс — для тех, кто хочет не просто пользоваться готовыми инструментами, а понимать их устройство и применять осознанно.

Вы научитесь анализировать биомедицинские данные с помощью методов машинного обучения и нейросетей, разрабатывать собственные модели и уверенно применять их в реальных задачах — без избыточной теории и сложной математики.

По итогам прохождения программы слушатель:

  • Научится с нуля писать простые программы, строить графики, обрабатывать таблицы с экспериментальными и медицинскими данными — даже если раньше не программировали.
  • Освоит методы, которые позволяют «учить компьютер» находить отличия между группами (например, больные и здоровые) или предсказывать числовые параметры. Всё на простых примерах из биологии и медицины.
  • Поймёт, как загружать и «приводить в порядок» сложные данные — например, результаты РНК-секвенирования или лабораторных исследований. Научатся видеть закономерности в больших таблицах и строить наглядные визуализации.
  • Пошагово разберётся, как устроены нейросети, как их самостоятельно писать и как их обучать. Научатся делать простые модели с нуля и понимать, как работают «чёрные ящики» ИИ.

По завершении курса участники приобретут следующие практические навыки:

  • Анализ биологических и медицинских изображений с помощью нейросетей: научатся самостоятельно писать и обучать нейросети
  • Использование готовых ИИ-моделей без сложной настройки: освоят готовые модели, которые уже умеют работать с белками и ДНК
  • Работа с инструментами предсказания структуры и свойств белков: научатся использовать AlphaFold, ProteinMPNN, RFDiffusion и другие современные решения
  • Узнаете, как настроить рабочую среду, пользоваться нужным ПО и уверенно работать с научными проектами

Образовательные модули программы

Основы Python для анализа данных в биологии и медицине
(Введение в Python, анализ и визуализация данных)

Освоите Python с нуля и пройдёте путь от освоения ключевых конструкций Python до реализации алгоритма глобального выравнивания последовательностей и первичного знакомства с подходами к анализу больших наборов данных, включая single-cell RNA-Seq.
Подробнее о модуле

Прикладной анализ данных и машинное обучение в биологии и медицине
(Классическое машинное обучение)

Пройдёте путь от интуитивного понимания методов без учителя (кластеризация и понижение размерности) до обучения моделей классификации и регрессии и знакомства с AutoML на примере PyCaret, а также увидите, как эти подходы работают на реальных данных single-cell RNA-Seq.
Подробнее о модуле

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

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.
Подробнее о модуле

Искусственный интеллект в решении практических задач биологии и медицины
(Использование готовых нейросетевых алгоритмов для решения задач на стыке химии, биологии и медицины)

Модуль знакомит слушателей с тем, какие данные используются в современных биомедицинских исследованиях, как устроены готовые нейросетевые модели и как применять их для предсказания структур белков, получения новых вариантов последовательностей, оценки свойств химических соединений и решения других прикладных задач.
Подробнее о модуле

Характеристики курса

Характеристики курса:

  • Продолжительность: 96 ак. ч.
  • Направления: анализ данных, машинное обучение, искусственный интеллект
  • Навыки: работа с биомедицинскими данными, подготовка и анализ биологических данных, создание и обучение собственных нейросетей, применение методов машинного обучения для анализа данных
  • Инструменты: Python, Pandas, NumPy, RNA-seq, GitHub, Scikit-learn, PyCaret, UMAP, AutoML, PyTorch, CNN, PyMOL, AlphaFold, ProteinMPNN, RFDiffusion, ImmuneBuilder2, Linux-среда
  • Документ об образовании: удостоверении о повышении квалификации НГУ

Эксперты программы:

  • 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