Один из частых ответов в опросе выше — пожелание рассказывать больше о применениях кода. Поэтому мы вводим новую рубрику, в рамках которой будем публиковать краткие задания для закрепления теоретических знаний на примерах кейсов с реальными данными.

Сегодня предлагаем вам решить небольшую задачу на закрепление темы статистического анализа в Python, о которой мы писали ранее.

❗️На курсе «Машинное обучение в биологии и биомедицине» мы работаем с настоящими клиническими данными, что дает ученикам курса возможность опубликовать решенные ими кейсы в портфолио.

Кстати, уже завтра цены на курс поднимутся! А в течение всего дня вы еще можете присоединиться к курсу по текущей цене. Оставьте заявку на сайте, и с вами свяжется менеджер.

Сегодня мы подготовили для вас датасет с клинической направленностью.

🔹 Представьте, что вы организовываете клиническое исследование нового препарата "Новомумаб", который будут выдавать одной когорте пациентов, а пациенты в когорте сравнения будут получать стандартное лечение, "Старомумаб".

🔹 Перед тем, как начать испытание, выборку пациентов тщательно оценивают, чтобы убедиться, что между испытуемыми группами нет значительных различий: изучать влияние внешних воздействий (в данном случае, лекарства) необходимо в максимально однородных условиях, иначе результаты будут недостоверны.

🔹 Вы получили данные о возрастах пациентов в ваших исследуемых группах:

arm1_ages = [34, 27, 20, 30, 32, 36, 24, 28, 39, 19]
arm2_ages = [32, 39, 32, 48, 39, 38, 33, 42, 40, 38]

Ответьте на вопросы:

❓ Какой статистический тест нужно использовать, чтобы понять, есть ли разница в возрасте между данными группами?
❓ Посчитайте p-value на основании выбранного вами теста.

Подсказка: используйте наш пост о статистическом анализе в Python, чтобы выбрать правильный тест и написать для него код.

Код для правильного решения задачи:
t_stat, p_value = stats.ttest_ind(arm1_ages, arm2_ages)
print("T-test statistic is: ", t_stat, "\nP-value is: ", p_value)

🔤 Ждем ваши ответы в комментариях, авторы правильных ответов получат скидку 15% на обучение на курсе «Машинное обучение в биологии и биомедицине»!

Официальное решение мы опубликуем на следующей неделе.

#openbio_практика
#openbio_python

Друзья, мы продолжаем цикл онлайн-встреч из серии «Личный путь в сеньора биоинформатика»!

Уже на следующей неделе нас ждет новая встреча: «Карьерный путь биоинформатика: от студента до сеньора» с Анной Фоминой.

🗓 Вебинар состоится 24 декабря в 19:00 по Мск.

Анна — химик, просветитель, выпускница Сколтеха по направлению «Life Sciences», со-основательница проекта о карьере в науке и образовании «Sci_Career», многократная победительница и финалистка премий «За верность науке», ментор и научный коммуникатор. 👏

На встрече будут обсуждаться опции трудоустройства в сфере биоинформатики, варианты развития внутри индустрии и науки, а также способы, как попасть в эту сферу из смежных отраслей и что для этого нужно.

Встречаемся 24 декабря, вторник, в 19:00 по Мск.

✍️ Пишите ваши вопросы в комментариях к этому посту, чтобы они точно были озвучены в эфире.

❗️Регистрируйтесь на сайте, чтобы получить ссылку на эфир.

#openbio_webinar
#openbio_interview
#openbio_expert

💡 Начнем изучать тему визуализации данных с помощью библиотек Python, и первая из них — Matplotlib. Это самый популярный инструмент для построения графиков в Python, который позволяет создавать статические, анимированные и интерактивные визуализации.

🔹 Принципы работы
Основной процесс построения графиков обеспечивается модулем pyplot в составе библиотеки Matplotlib, который представляет собой сборник интуитивно понятных команд.

Импорт модуля в ваше рабочее пространство: import matplotlib.pyplot as plt

Вот несколько основных функций, которые часто используются при работе с pyplot:

● plt.plot(): По умолчанию — линейный график.
● plt.bаr(): Столбчатый график.
● plt.hist(): Гистограмма.
● plt.title(): Устанавливает заголовок графика.
● plt.xlabel() и plt.ylabel(): Устанавливают названия осей X и Y.

"Кирпичиками" рисунков в Matplotlib служат фигуры (figure) и оси (axis). Фигура представляет собой всю область, в которой будут строиться графики (один или несколько). Осью называют область, где непосредственно будут отображаться данные для одного графика.

Фигура создается с помощью функции plt.figure(). Построим один график:

data_x = [5, 10, 15, 20, 25]
data_y = [37, 30, 32, 36, 24]

fig1 = plt.figure(figsize=[6,4]) # Аргумент figsize позволяет менять размер фигуры
fig1.add_subplot()
plt.plot(data_x, data_y)

Создать фигуру с несколькими осями можно двумя способами:

1) Построить сначала фигуру, затем добавлять оси по отдельности:

fig2 = plt.figure()
ax1 = fig2.add_subplot(1, 2, 1)
ax2 = fig2.add_subplot(1, 2, 2)

2) Создать фигуру с заявленным количеством осей одной командой:

fig3, ax = plt.subplots(1, 2)

🔹 “Украшение” графиков
Matplotlib позволяет тонко настраивать графики: менять можно стиль линий, точек, цвета, добавлять аннотации и метки на осях. Это помогает делать визуализации более информативными и привлекательными.

Настройки стиля передаются функциям для построения графиков в виде аргументов. Самые простые из них:

● marker: меняет форму точки (маркера) на графике.
● linestyle: меняет стиль линии с помощью передачи названий стилей – “solid”, “dashed” и др. – или условных обозначений – “-”, “--”, “:” и др.
● color: для самых популярных цветов существуют сокращенные обозначения, например, "r" – красный, "g" – зеленый, "b" – синий.

В общем случае запись функции со стилистическими параметрами выглядит вот так:

plt.plot(data_x, data_y, marker="o", linestyle="dotted", color="g")

*️⃣ Попробуйте добавить новые аргументы к функции из предыдущего пункта.

🔹 Пример использования
Рассмотрим пример кода, с помощью которого мы создадим несколько графиков в одном рисунке. Это важный инструмент, который пригодится всем, кто готовит отчеты и научные публикации.

import matplotlib.pyplot as plt
import pandas as pd

# Создаем датасет
data = {
    'Возраст': [25, 30, 22, 35, 28, 40],
    'Диагноз': ['А', 'Б', 'А', 'Б', 'А', 'А'],
    'Год заболевания': [2000, 2000, 2001, 2001, 2001, 2001],
    'Срок лечения': [10, 16, 12, 20, 14, 8]
}
df = pd.DataFrame(data)

# Создаем фигуру и оси
fig, axs = plt.subplots(1, 3, figsize=(12, 4))

# Линейный график
pts_per_year = df.value_counts('Год заболевания')
axs[0].plot(pts_per_year.index, pts_per_year.values, color='k')
axs[0].set_title('Количество случаев по годам')
axs[0].set_xlabel('Год')
axs[0].set_ylabel('Кол-во пациентов')

# Столбчатый график
diagnosis_df = df.value_counts('Диагноз')
axs[1].bar(diagnosis_df.index, diagnosis_df.values, color=['b', 'g'])
axs[1].set_title('Количество случаев по диагнозу')
axs[1].set_xlabel('Диагноз')
axs[1].set_ylabel('Кол-во пациентов')

# Гистограмма
axs[2].hist(df['Возраст'], bins=5, color='teal')
axs[2].set_title('Распределение по возрасту')
axs[2].set_xlabel('Возраст')
axs[2].set_ylabel('Частота')

plt.tight_layout()
plt.show()

🚀 Надеемся, эти данные помогут вам с исследованиях и в подготовке к курсу "Машинное обучение в биологии и биомедицине". А в следующий раз обсудим другую библиотеку для визуализации Seaborn.

#openbio_python #openbio_pandas #openbio_visualization

💡 Машинное обучение в биологии и биомедицине | OpenBio.Edu

🔥 Свежая подборка вакансий для биологов и биомедиков с компетенциями в области ML. Успейте отправить резюме, пока они не ушли в архив.

🔸 Инженер по компьютерному зрению в ООО Медиктур
Компания ООО Медиктур ищет специалиста, который будет заниматься разработкой и оптимизацией моделей для анализа медицинских изображений (МРТ, КТ), разработкой алгоритмов сегментации и классификации и тестированием решений при взаимодействии с врачами. Требуются знания Python, TensorFlow, PyTorch и OpenCV, а также опыт работы с медицинскими данными (DICOM, NIfTI).

🔸 Data scientist в Европейский Медицинский Центр
Мы ищем Data Scientist для анализа данных, сегментации и разработки предиктивных моделей. Требуется высшее образование в области информатики или математики, уверенное владение Python и библиотеками (numpy, pandas, sklearn), знание BI-систем и SQL. Опыт работы 1-2 года в b2c бизнесе обязателен.

🔸 Middle Data Scientist в Акрихин
Акрихин приглашает Middle Data Scientist для разработки ML моделей и Computer Vision. Задачи включают оптимизацию распределения ресурсов, создание AI-ассистентов и исследовательские проекты. Идеальный кандидат имеет 2+ года опыта в Data Science, владеет Python и библиотеками (Pandas, TensorFlow), работает с NLP и SQL. Приветствуется опыт визуализации данных.

🔸 Data Scientist. Сеть клиник НИАРМЕДИК
Специалист должен иметь от 1 года опыта в data science и уверенно владеть Python и библиотеками для анализа данных. Обязанности включают оптимизацию ML-моделей для медицинской документации и совершенствование NLP-систем. Требуется знание математической статистики и алгоритмов, опыт с NLP и фреймворками (Keras, TensorFlow). Реализованные ML проекты в медицине, а также сертификаты профильных онлайн-курсов будут плюсом.

🔸 Младший аналитик данных. Группа компаний МЕДСИ.
Мы разрабатываем экосистему для Медси, включая мобильное приложение SmartMed и MDM-систему. Основное внимание будет уделено обработке текстовых медицинских данных. Необходимо знание Python и основных библиотек для анализа данных (pandas, matplotlib), SQL, Excel и PowerPoint, а также основ математической статистики.

#openbio_вакансии

💡 Машинное обучение в биологии и биомедицине | OpenBio.Edu

Продолжаем знакомиться с методами визуализации данных в Python!

В рамках этого поста рассмотрим библиотеку Seaborn.

Seaborn — библиотека, основанная на Matplotlib, которая легко интегрируется с Pandas и позволяет строить красивые графики одной командой. Она упрощает работу с данными, минимизируя технические детали.

Графики, построенные с помощью Seaborn, часто можно видеть в крутых научных публикациях. Навык строить такие графики точно пригодится для анализа биомедицинских данных, с которыми мы будем работать на курсе “Машинное обучение в биологии и биомедицине”!

Сегодня мы обсудим уникальные особенности Seaborn и сравним его с Matplotlib.

🔹 Настройка тем

Самый простой способ навести красоту с помощью Seaborn – установить общий стиль для всех графиков (даже если вы строили их другими библиотеками), выбрав одно из готовых решений, что позволяет быстро адаптировать их внешний вид для разных контекстов.

🔹 Статистическая оценка

Многие функции Seaborn автоматически выполняют статистическую оценку и отображают ее результаты на графиках: например, для линейных графиков доступно вычисление и добавление на изображение доверительных интервалов.

Seaborn также позволяет дополнить график более сложными расчетами: так, на диаграммы рассеяния можно добавить модель линейной регрессии с помощью функции lmplot().

🔹 Представление сложных наборов данных

Некоторые функции Seaborn комбинируют разные типы графиков, чтобы отобразить несколько параметров данных в одном рисунке.

Например, функция jointplot() показывает совместное распределение двух числовых переменных и дополняет их распределением каждой переменной в отдельности, сочетая таким образом scatter plot и гистограммы.

🔹 Группы функций в Seaborn

Функции графиков в Seaborn можно сгруппировать на основе данных, для которых они используются:

● Реляционные функции: отображают взаимосвязи между числовыми переменными.
Примеры: scatterplot, lineplot.
● Распределительные функции: показывают распределения данных.
Примеры: histplot, kdeplot и boxplot.
● Категориальные функции: сравнивают данные по категориям.
Примеры: barplot, countplot и violinplot.

Функции внутри одного модуля имеют общий базовый код и настраиваются схожими наборами аргументов. Это облегчает переключение между способами отображения однотипной информации.

❗️Параметры, специфичные для функций одного модуля, не отображаются в документации по отдельной функции. Чтобы разобраться со всеми параметрами, настраиваемыми через аргументы, придется покопаться в разных разделах документации Seaborn.

🔹 Связь с Matplotlib

Хотя Seaborn самодостаточен, для более тонкой настройки графиков потребуется подключить к работе Matplotlib. Matplotlib позволяет конфигурировать любой элемент графика, и комбинация функций двух библиотек позволит адаптировать графики под ваши нужды в мельчайших деталях.

Таким образом, Seaborn предоставляет несколько уровней настройки:

● Настройка тем (стилей)
● “Верхнеуровневые” функции, которые позволяют создавать и модифицировать фигуры
● Стандартизированные аргументы внутри групп функций, которые позволяют менять отображение разных типов графиков
● Команды Matplotlib, которые позволяют получить еще больший контроль над изображением.

🔜 Пост получился насыщенным теоретической информацией, но скоро мы отдельно пройдемся по нескольким примерам графиков из Seaborn, поделимся образцами кода, а также опубликуем задачку по материалам недели 😉

#openbio_python #openbio_visualization

💡 Машинное обучение в биологии и биомедицине | OpenBio.Edu

Друзья, недавно мы просили вас поделиться мнением о сложности и форматах контента в канале.

❤️ Команда проекта благодарит всех, кто уделил время и проголосовал в опросе, и дарит вам гайд с бесплатными материалами по изучению ML, который поможет подготовиться к курсу «Машинное обучение в биологии и биомедицине».

Также админы канала получили несколько запросов о публикации этого гайда в открытом доступе, и вот сегодня, когда нас уже более 500 человек, мы решили опубликовать гайд для всех!

Благодарим вас за то, что вы с нами, и рады быть вашим проводником в мир ML в биологии и биомедицине!

🎁 Забрать гайд

PS высказать свое мнение о контенте, если вы еще не, можно в этом посте.

#openbio_дарит_подарки

📌 Машинное обучение в биологии и биомедицине | OpenBio.Edu

📌 На этой неделе мы коснулись библиотеки Seaborn. Пора знакомиться ближе и переходить к практике!
Сегодня на учебных данных мы:

● изучим основные шаги при работе с графиками в Seaborn
● воспользуемся парой упрощающих жизнь фичей
● построим несколько графиков для разных типов данных
● и закрепим материалы недели небольшой задачей

Присоединяйтесь к курсу "Машинное обучение в биологии и биомедицине", чтобы узнать больше хитрых приемов для обработки ваших данных.
Курс стартует 25 февраля, и до 5 января еще актуальны цены раннего бронирования 😉

1️⃣ Используем тот же датасет, что в посте о Matplotlib

import pandas as pd
data = ... # не будем дублировать создание датасета для экономии места
df = pd.DataFrame(data)

2️⃣ Импортируем Seaborn и установим стиль для всех графиков

import seaborn as sns

sns.set_style(‘darkgrid’)

3️⃣ Настроим контекст отображения

Seaborn позволяет легко адаптировать графики под разные форматы презентации — от компактных рисунков для научных статей до крупных картинок для постеров.

В ключевой аргумент функции sns.set_context() передается контекст – “notebook”, “paper”, “poster”, “talk”, – а дополнительные аргументы позволяют шкалировать отдельные элементы графика.

sns.set_context("notebook", font_scale=1.25)

4️⃣ Перейдем к графикам. Многие функции Seaborn имеют возможность указывать, какие данные пойдут на график, с помощью простых аргументов:

● data: указывает датафрейм, с которым мы работаем
● x: столбец, данные из которого будут отложены на оси Х
● y: столбец, данные из которого будут отложены на оси Y

Такой принцип дает возможность меньше ломать голову над синтаксисом.

🔺Реляционные графики

Эти графики отображают соотношения числовых значений. Обратите внимание, что при построении линейного графика автоматически добавляется доверительный интервал.

sns.scatterplot(data=df, x='Год заболевания', y='Срок лечения')
sns.lineplot(data=df, x='Год заболевания', y='Срок лечения)

❗️Оба графика (и не только эти) в Seaborn принимают аргумент hue, который добавляет в график еще одно измерение в виде третьего параметра. Попробуйте добавить hue='Диагноз' к функциям выше.

🔺Графики распределений

Оценим распределение пациентов по возрастам – построим гистограмму.

sns.histplot(data=df, x='Возраст', bins=4)

Показать совместное распределение возраста, например, со сроками лечения поможет метод sns.jointplot(). В аргументах функции нужно указать набор данных для двух осей – X и Y.

sns.jointplot(x=df['Возраст'], y=df['Срок лечения'])

🔺Категориальные графики

Как и в предыдущем пункте, тут нужно указывать данные для двух осей: на одной будут категориальные значения, на другой – числовые.

sns.violinplot(data=df, x='Диагноз', y='Возраст')

sns.swarmplot(data=df, x=’Год заболевания', y=’Возраст')

❗️В Seaborn график можно построить, вызвав его собственную функцию, но можно использовать “родительскую” функцию для модуля графиков и передать ей уточнение типа через аргумент kind.

● sns.relplot(kind=’scatter’) = sns.scatterplot()
● sns.distplot(kind=’hist’) = sns.histplot()
● sns.catplot(kind=’violin’) = sns.violinplot()

➡️ Время практики!

Один из самых популярных способов визуализации числовых данных — графики “ящик с усами” (boxplot). Они показывают распределение данных и элементы описательной статистики.

❔ С помощью Matplotlib И Seaborn постройте boxplot, которые будут отображать зависимость срока лечения от диагноза. На оси X разместите две группы диагнозов, А и Б.

Подсказки:

● Боксплот строится на основании набора чисел, по которым автоматически считается описательная статистика. Применять groupby() и агрегацию тут не нужно
● В Matplotlib передайте сабсеты данных для каждого диагноза в аргумент "х"
● Советуем освежить в памяти нашу шпаргалку по фильтрации данных в Pandas
● Решить задачу в Seaborn гораздо легче 👀

Присылайте получившиеся у вас графики в комментариях! Код для выполнения задачи опубликуем в среду.

#openbio_python #openbio_pandas #openbio_visualization

📌 Машинное обучение в биологии и биомедицине | OpenBio.Edu

4 главных правила составления резюме.

1️⃣ Это база, но не указывайте в резюме то, чем вы не хотите заниматься. И даже не потому, что такой подход спасет вас от выгорания. 🙂 Четко сформулированные критерии поиска повысят качество поступающих предложений и быстрее приведут вас к желаемому результату.

2️⃣ Если мы говорим про резюме для деятельности, которой вы никогда не занимались (или в чем у вас мало опыта), найдите релевантный опыт в вашей предыдущей деятельности и используйте его.

Пример: вы никогда не делали анализ NGS-данных «руками», но работали над интерпретацией результатов такого анализа и владеете базовыми программами для обработки отдельных видов сырых данных. Этот опыт является схожим, его можно расписать по навыкам и указать в резюме.

3️⃣ Резюме должно четко отражать то, что работодатель ожидает увидеть от сотрудника на искомой позиции.
Одно резюме — одна мысль. Поэтому необходимо убирать всё, что не относится к конкретной позиции.

Если у вас два разных профессиональных вектора развития (по сути две параллельные вакансии), должно быть два разных резюме. И в зависимости от конкретной позиции, нужно указывать тот или иной опыт. И да, иногда он может быть даже противоположным. 🙃

4️⃣ Через резюме должна передаваться идея, которая является основным результатом и самым важным навыком для работы в профессии.

Если мы говорим про ученого, должна быть видна экспертность, способность глубоко и нестандартно мыслить, а также другие навыки, в зависимости от сферы: наличие коллаборации, количество статей или успешных прототипов и тд. Преподносите свой предыдущий опыт именно в таком направлении.

➡️ Еще больше идей и лайфхаков для построения успешной карьеры в биоинформатике вы услышите уже завтра, на вебинаре «Карьерный путь биоинформатика: от студента до сеньора» с Анной Фоминой!

Встречаемся завтра, 24 декабря в 19:00 по Мск.

❕ Обязательно регистрируйтесь на сайте, чтобы получить ссылку на эфир.

PS А специально для нашей аудитории Анна записала кружочек-приглашение 😍

Ждем вас завтра!

#openbio_career
#openbio_webinar
#openbio_interview
#openbio_expert

📌 Машинное обучение в биологии и биомедицине | OpenBio.Edu

Сегодня мы завершим тему визуализации данных разбором еще одной библиотеки, а именно… Pandas! 🐼

Все верно — помимо функций из специальных библиотек Matplotlib и Seaborn инструменты для визуализации данных также встроены непосредственно в Pandas, что позволяет строить различные типы графиков прямо через методы, применяющиеся к DataFrame. Сегодня изучим особенности такого подхода.

➡️ И напоминаем, что вебинар «Карьерный путь биоинформатика: от студента до сеньора» с Анной Фоминой состоится уже сегодня! Подключайтесь 24 декабря в 19:00 по Мск.

1️⃣ Вновь создадим тренировочный датасет с медицинскими данными:

import pandas as pd # больше ничего не понадобится!

data = {
    'ID': range(1, 11),
    'Возраст': [45, 60, 25, 50, 75, 33, 40, 29, 65, 55],
    'Пол': ['М', 'Ж', 'М', 'М', 'Ж', 'М', 'Ж', 'Ж', 'М', 'Ж'],
    'Диагноз': ['Гипертония', 'Здоров', 'Здоров', 'Диабет', 'Гипертония', 'Диабет', 'Гипертония', 'Здоров', 'Гипертония', 'Здоров']
}

df = pd.DataFrame(data)
df.head()

2️⃣ Для построения графиков в Pandas используется метод df.plot(), который является “оберткой” для методов matplotlib (то есть, “под капотом” вызывает функции другой библиотеки).

Метод plot() имеет множество аргументов, позволяющих настроить как внешний вид графика, так и тип данных, которые будут отображены.

➕ Как и функции Seaborn, df.plot() имеет аргументы для выбора данных:

● Data: указывает объект, для которого будет построен график. Это может быть целый датафрейм или его отдельные столбцы.
● x и y: указывают имена столбцов для осей x и y.

❗️Для некоторых типов графиков, таких как scatterplot, необходимо указать обе оси.

➕ Еще одно сходство с Seaborn — возможность выбирать тип графика с помощью аргумента kind. Примеры частых значений: 'line', 'bar', 'hist', 'box', 'scatter'.

➕ subplots: по умолчанию, если построить график по двум или более столбцам датафрейма, данные из них будут отображены на одном графике. При значении аргумента subplots=True каждый столбец будет отображаться в отдельном подграфике. Это удобный способ добавить на рисунок несколько срезов данных одной командой.

# Попробуйте построить график с subplots и без:
df[['Возраст', 'Вес']].plot(kind='bar)

Ряд параметров позволяет повысить информативность графиков:

➕ Аргументы title, xlabel и ylabel добавляют подписи всему графику и осям, соответственно.

➕ legend: при выставленном значении True добавляет на график легенду, которую дальше тоже можно кастомизировать.

➕ Для детальной настройки графиков можно изменять стиль линий, устанавливать цвета, изменять размеры графиков, добавлять сетки, настраивать метки и т.д. Все это также можно сделать с помощью аргументов.

Рассмотрим пример использования этих параметров, построив максимально нарядный график:

df['Возраст'].plot(kind='line', 
                   color='teal',
                   marker='*', markersize=12,
                   linestyle='dashdot',
                   alpha=0.7,
                   xlabel='Пациент',
                   ylabel='Возраст'
                  )

Таким образом, встроенный функционал Pandas позволяет легко создавать простые графики и настраивать их стиль. Визуализация данных с помощью Pandas часто применяется для предварительного анализа, а Matplotlib и Seaborn подключают для более сложных визуализаций.

Однако у вас есть полная свобода выбора! Теперь, когда вы освоили основы работы с этими инструментами, вы можете выбирать те методы, которые вам больше всего нравятся. Желаем удачи в экспериментах и творчестве! ❤️

➡️ Ждем вас на курсе “Машинное обучение в биологии и биомедицине”, где вы сможете применить все новые знания на практике! Старт нового потока — 25 февраля 2025.

#openbio_python #openbio_pandas #openbio_visualization

📌 Машинное обучение в биологии и биомедицине | OpenBio.Edu

🎁 Разыгрываем три гранта на обучение на курсе «Машинное обучение в биологии и биомедицине»!

Приближается пора новогодних обещаний. Мы решили добавить немного волшебства ✨ и помочь исполнить желания, связанные с построением карьеры в сфере биоинформатики, обработки данных и машинного обучения.

При помощи бота, мы выберем трех победителей, которые получат скидки 50%, 70% и 90% на обучение на курсе «Машинное обучение в биологии и биомедицине» соответственно.

🎇 Условия участия:
1. быть подписанным на канал Машинное обучение в биологии и биомедицине | OpenBio.Edu;
2. нажать кнопку «Хочу изучать ML с OpenBio!» в посте ниже.

Итоги конкурса будут подведены и опубликованы в канале 31 декабря в 16:00 по Москве. Желаем удачи!

А для всех, кто не полагается на удачу, а верит только в свои силы🪄💪, мы дарим скидку на обучение 20% по промокоду NEWYEAR.

Промокод активен до 31 декабря 23:59 и исчезнет вместе с боем курантов🥂

Правила участия в конкурсе:
- Наличие репоста конкурсного поста — не обязательное условие участия в розыгрыше, но нам будет приятно, если вы это сделаете и расскажете вашим друзьям о такой возможности.🙃
- Первый отобранный ботом победитель получит скидку 50%, второй 70%, третий 90%.
- Скидки распространяются только на участие в весеннем потоке курса, который стартует 25 февраля, и имеют срок действия до 25 февраля включительно.
- Применить каждую скидку можно только 1 раз.

📌 Машинное обучение в биологии и биомедицине | OpenBio.Edu

#openbio_дарит_подарки

Друзья!

⏱ Уже завтра, в 16:00 по Москве, будут подведены итоги розыгрыша. Успейте принять участие и рассказать вашим коллегам и сокурсникам о такой возможности!

Также завтра, 31 декабря в 23:59, вместе с боем курантов 🔔 закончит свое действие промокод NEWYEAR, который дает скидку 20% на курс «Машинное обучение в биологии и биомедицине».

Уже на первой неделе следующего года будет повышение цен на обучение.
Эти дни уходящего года — последняя возможность инвестировать в свою карьеру на максимально выгодных условиях.

Приходите на курс, чтобы усилить свои профессиональные компетенции:
🔷изучить и начать применять передовые методы биоинформатики, а также нейросети;
🔷углубить знание Python;
🔷использовать ML в NGS и распознавании изображений из клинических данных;
🔷расширить понимание составных частей процессов, которые лежат в основе популярных пайплайнов.

Желаем удачи, и с нетерпением ждем результатов конкурса вместе с вами!🫰А тех, кто не полагается на волю случая, приглашаем на курс «Машинное обучение в биологии и биомедицине» уже сейчас.

#openbio_дарит_подарки

📌 Машинное обучение в биологии и биомедицине | OpenBio.Edu