Собрали 📈 все актуальные акции и скидки📈 в один пост, в преддверии сегодняшнего повышения цен на курс «Машинное обучение в биологии и биомедицине».

Выбирайте то, что вам подходит, чтобы сделать обучение наиболее выгодным. Но выбирайте мудро🤔, поскольку промоакции не суммируются.

Для тех, кто учится:
➕скидка 30% для студентов дневных и вечерних отделений бакалавриата, магистратуры и специалитета по промокоду STUDENT;
➕скидка 10% для аспирантов по промокоду ASP10.

Для тех, кто в команде:
➕скидка 30% вам и второму человеку, если приходите на обучение вдвоем. Укажите это в заявке, и наши менеджеры пересчитают сумму к оплате.

Для тех, кто любит выигрывать:
➕пришлем промокод на скидку 15% всем, кто правильно ответит на 3 вопроса нашей викторины в этом посте.

Для тех, кто умеет убеждать:
➕специальные условия при оплате обучения от юридического лица. Оставьте заявку на бесплатную консультацию, чтобы обсудить детали с нашим менеджером.

➡️ Применить промокод и оплатить участие можно по ссылке.
Также возможна оплата в рассрочку или долями через Яндекс.Сплит.

Надеемся, вы найдете удобный для себя вариант участия в программе «Машинное обучение в биологии и биомедицине»!

#openbio_navigator #openbio_полезное #openbio_ML

📌 Машинное обучение в биологии и биомедицине | OpenBio.Edu

Сегодня подготовили для вас пост-рекомендацию полезных чатов и каналов по темам анализа данных, биотеха и биоинформатики от команды проекта «Машинное обучение в биологии и биоинформатике».

А какие ресурсы по этим темам читаете вы? 📰 Оставляйте в комментариях ссылки на любимые медиа, чаты и каналы, и мы включим их в следующую подборку.

🔸Significo-АМГ
Канал для тех, кто хочет знать все о современной медицине, генетике и научной клинической базе.

➖Самые свежие новости про медицину и науку;
➖Разборы клинических задач, правовых проблем и психологических кейсов во врачебной практике;
➖Опросы и интервью с экспертами на актуальные темы.

Даже если вы ничего не знаете про генетику, из этого канала точно почерпнете много интересного.

🔸medstatistic ЧАТ
Блог, где понятным языком рассказывается о статистическом анализе медицинских данных. Ведет блог доцент Казанской государственной медицинской академии и один из создателей программы StatTech Дамир Марапов.

🔸Фонд генетических инноваций
Канал будет интересен всем, кто увлечен наукой и инновациями в генетике. Фонд поддерживает и популяризует научные исследования в области геномного редактирования и смежных направлений. На канале вы найдете увлекательный научно-популярный контент, который поможет разобраться в тонкостях генетического редактирования, а также свежие научные новости из мира геномной инженерии.

🔸Заметки учёной | Sci notes
Блог Анны Фоминой — химика, просветителя, со-основательницы первого в России канала о карьере в науке @sci_career. Ваш личный консультант, подруга и моральная поддержка на конкурентном рынке труда и в жизни.

#openbio_рекомендует

📌 Машинное обучение в биологии и биомедицине | OpenBio.Edu

В рамках подготовки к курсу «Машинное обучение в биологии и биомедицине» мы регулярно проводим открытые встречи с экспертами в области биоинформатики, биомедицины и инженерии машинного обучения.
Уверены, что неформальное общение с профессионалами станет хорошей поддержкой для тех, кто в новом году решился на важный шаг — повышение квалификации вместе с OpenBio. ❤️

На последних вебинарах эксперты Александр Сарачаков, Анна Фомина и Андрей Девяткин обсудили текущие тенденции на рынке труда и ключевые навыки для профессионального успеха.

Сегодня делимся выдержками из этих интервью:

1️⃣ В каких областях науки и индустрии востребованы биоинформатики?

🔷 А. Фомина:
"В биоинформатике множество задач, в том числе не связанных с медициной. Есть стереотип, что медицинское применение биоинформатики – ключевое, но на самом деле она нужна во многих сферах, например, в агробиотехнологиях, пищевой промышленности, экологии и при разработке биотоплива."

🔷 А. Сарачаков:
"В целом биотех движется фарминдустрией, поэтому всё, что относится к дизайну лекарственных средств, — сейчас очень горячая сфера. А то, что мы обсуждаем на курсе — ИИ и машинное обучение —используется абсолютно повсеместно."

🔷 А. Девяткин:
"В биоинформатике можно заниматься моделированием структур белка, филогенетикой, геномным анализом и так далее. В вирусологии у нас возникают прикладные вопросы: как создавать вакцины для борьбы с новыми вирусами, как использовать вирусы для доставки средств генной терапии."

2️⃣ Как выбрать хороший курс повышения квалификации?

🔷 А. Фомина:
"Особенно ценны курсы, в которые включена работа с практическими кейсами. Важна и продолжительность — курс, который длится несколько месяцев, безусловно лучше, чем курс, который длится две недели. Важны также спикеры курса: изучите их научные статьи, особенно если они имеют естественнонаучное образование."

🔷 А. Сарачаков:
"Некоторые курсы дают огромный бонус к резюме, потому что по ним понятно, что человек способен вкладывать время и силы в развитие. Значит, у него есть мотивация и он умеет работать.
Дополнительное образование при найме всегда рассматривается как плюс. Главное – хорошо понимать, зачем вы выбрали этот курс, чем он вам полезен и как вы его примените в работе."

🔷 А. Девяткин:
"Исходите из того, над чем вы работаете. Для решения любой задачи нужно разбираться в материале. И тут нет универсальных курсов, которые бы покрыли все, а курсы, применимые к вашей задаче, надо искать с помощью отзывов и нетворкинга."

3️⃣ Зарплаты и финансирование в науке и индустрии

🔷 А. Фомина:
"В академии зарплаты ниже, но зато есть возможность подаваться на гранты, премии, участвовать в конкурсах. Например, можно работать в лаборатории, будучи магистром, участвовать в хакатонах или олимпиадах вроде «Я — профессионал» и получать денежные призы. Но когда работаешь в индустрии, основной доход это фиксированная зарплата."

🔷 А. Сарачаков:
"Зарплаты в науке и индустрии отличаются. В индустрии можно зарабатывать больше, но в науке есть свои преимущества, такие как возможность получения грантов, премий и дополнительных источников дохода."

🔷 А. Девяткин:
"В академической среде нет какой-то зарплаты в вакууме, так как все деньги выделяются фондами на конкретные проекты, из них и платятся зарплаты.
В хороших лабораториях по мере того, как один грант закончился, должен начинаться другой. Желательно иметь разные источники финансирования, для этого нужно брать разные проекты."

➡️ Старт курса «Машинное обучение в биологии и биомедицине» запланирован на 25 февраля, и впереди еще много вебинаров!

В рамках ближайшего, который состоится 21 января, мы встретимся с Дмитрием Пензаром, преподавателем ФББ МГУ и исследователем, ко-руководителем группы машинного обучения в биологии, ФББ МГУ.

Зарегистрируйтесь, чтобы получить ссылку для подключения к трансляции.

#openbio_career #openbio_webinar #openbio_interview #openbio_expert

📌 Машинное обучение в биологии и биомедицине | OpenBio.Edu

В рамках новой лекции из цикла «Личный путь в сеньора биоинформатика» встречаемся с Дмитрием Пензаром!

Дмитрий — преподаватель ФББ МГУ и исследователь, ко-руководитель группы машинного обучения в биологии, ФББ МГУ.

📰 Вебинар состоится 21 января в 19:00 по Мск.

Трансляции проходят в рамках курса «Машинное обучение в биологии и биомедицине» от OpenBio, весенний поток которого стартует 25 февраля.

Чем ближе старт — тем выше цена. ↗️ Оставьте заявку на сайте, чтобы занять место на курсе и зафиксировать за собой актуальные условия участия.

На встрече мы обсудим детали карьерного трека спикера, лайфхаки трудоустройства, экспертное мнение по трендам отрасли, обзор «поляны» мира ML в биоинформатике и многое другое.

Встреча пройдет в формате разговора, в рамках которого можно будет задать волнующие вас вопросы и подчерпнуть опыт спикера в неформальной, дружеской обстановке.

✔️ Зарегистрируйтесь, чтобы получить ссылку на эфир.
❔ Задавайте свои вопросы спикеру в комментариях к этому посту, чтобы они точно были озвучены.

До встречи в эфире!

#openbio_career #openbio_webinar #openbio_interview #openbio_expert

📌 Машинное обучение в биологии и биомедицине | OpenBio.Edu

💡 Курс «Машинное обучение в биологии и биомедицине» стартует уже совсем скоро, обучение начнется 25 февраля.

Осталось чуть больше месяца, чтобы подготовиться к началу обучения, и сегодня мы познакомимся с (буквально) базой работы в Python — средах разработки, или Integrated Development Environment (IDE).

IDE — своего рода рабочее место программиста. Это пространство, в котором можно писать код, проверять его, находить и исправлять ошибки, а также запускать программы. С языком Python можно работать в разных IDE, и здесь мы рассмотрим несколько из них.

1️⃣ Jupyter Notebook

Популярный блокнот для интерактивного написания кода, особенно в научных исследованиях и анализе данных.

➖ Код пишется в ячейках, которые можно “запускать” по отдельности — это дает высокую интерактивность и позволяет легко экспериментировать с кодом. Результаты выполнения отображаются прямо под ячейкой.
➖ В одном документе Jupyter Notebook могут содержаться код, обычный текст и изображения. Благодаря этому специалисты иногда пишут и оформляют целые учебники по Python в Jupyter Notebook.
➖ Подходит для работы с библиотеками, такими как NumPy, Pandas и Matplotlib.
➖ Удобен для совместной работы и публикации результатов в виде интерактивных отчетов.

2️⃣ Google Colab

Облачная версия Jupyter Notebook, которая упрощает работу с Python через веб-браузер.

➖ Не требует установки — всё работает онлайн!
➖ Поддерживает графический и тензорный процессор для ускорения вычислений — очень полезно для задач машинного обучения.
➖ Удобен для командной работы благодаря возможности совместного редактирования.
➖ Сервис бесплатен, но есть ограничения на время работы и мощность.

🔜🔙Вся практическая работа на курсе проходит в Jupyter Notebook и Google Colab.

➕ Один из вариантов обучающих материалов, используемых на курсе, формат методичек. Внутри — код в Google Colab с развернутыми комментариями преподавателей, также в Google Colab выполняются домашние задания и отчетные проекты.

➕ Программа курса предусматривает вводный блок, на лекциях которого вы познакомитесь с необходимыми для обучения инструментами и разберетесь с их установкой, настройкой и основами работы.

3️⃣ IDLE

Базовая среда разработки, которая автоматически устанавливается на ваш компьютер вместе с Python.

➖ Основной интерфейс интерпретирует по одной команде пользователя по мере ввода. Этим IDLE отличается от Jupyter Notebook, где одна ячейка может содержать несколько команд, которые будут выполнены вместе при запуске ячейки.
➖ Содержит базовый редактор кода с подсветкой синтаксиса и умной расстановкой отступов, а также встроенную консоль для выполнения команд.
➖ Удобен для работы с небольшими объемами кода.

4️⃣ PyCharm

Мощная IDE для профессиональной разработки на Python от компании JetBrains.

➖ Поддерживает автоматическое дополнение кода.
➖ Имеет встроенные инструменты для отладки и тестирования, а также подсвечивает ошибки и предлагает варианты их исправления.
➖ Интегрируется с виртуальными окружениями, библиотеками и системами контроля версий, такими как Git.

5️⃣ Visual Studio Code (VS Code)

Универсальный редактор кода от Microsoft, который можно настроить для работы с Python и многими другими языками.

➖ Удобен для разработки как небольших скриптов, так и крупных проектов.
➖ Лёгкий, быстрый и хорошо масштабируется благодаря расширениям.
➖ Имеет встроенные инструменты для отладки и тестирования.
➖ Подходит для работы с разными проектами и языками.
➖ Удобная интеграция с Git для управления версиями кода.

➡️ Для работы с Python каждый найдёт подходящий инструмент. Jupyter Notebook и Google Colab идеальны для обучения, научной работы и анализа данных, а PyCharm и VS Code лучше подойдут для профессиональной разработки и больших проектов.

Начните работать с популярными окружениями на курсе OpenBio, и в процессе к вам точно придет вдохновение для знакомства с более сложными системами!
А опытные преподаватели помогут вам в их освоении. ❤️

#openbio_python #openbio_practice #openbio_education

📌 Машинное обучение в биологии и биомедицине | OpenBio.Edu

🧬 Сезон подборок с вакансиями в новом году открыт!
Сегодня в нашей регулярной рубрике собрали разнообразные предложения, от креативных научных позиций до более строгих IT-специальностей. Уверены, каждый сможет найти здесь что-то подходящее и вдохновляющее.

Если же перед откликом на некоторые вакансии вы чувствуете, что стоит углубить свои знания в машинном обучении, приглашаем на курс «Машинное обучение в биологии и биомедицине». Начало нового потока уже 25 февраля 2025 года!

1️⃣ Аналитик данных в Genotek

Genotek ищет аналитика для работы с биоинформационными данными. Специалисту предстоит анализировать данные с использованием статистических методов, визуализировать результаты и проводить A/B-тесты. От кандидата ожидаются знания статистики, уверенное владение Python, SQL и GitLab, опыт визуализации данных в DataLens или Tableau, навыки работы с системами веб-аналитики. Опыт применения ML-алгоритмов считается преимуществом.

2️⃣ Исследователь-разработчик компьютерного зрения в институт искусственного интеллекта AIRI

Институт AIRI ищет исследователя для работы над проектами в области трёхмерного компьютерного зрения. Основные задачи включают исследования, публикацию научных статей и создание библиотек с алгоритмами. От кандидата требуется глубокое знание алгоритмов машинного обучения, компьютерного зрения и глубокого обучения, опыт работы с Python и фреймворками, такими как PyTorch, sklearn, numpy, знание Docker и Git. Плюсом будет наличие научных публикаций, опыт работы с 3D-компьютерным зрением (PyTorch3D), участие в Kaggle.

3️⃣ Системный аналитик AI / Руководитель проекта в УК ТАВРОС

Кажется, это первая вакансия из области сельского хозяйства в нашей рассылке!
ТАВРОС — многопрофильная агропромышленная компания, объединяющая предприятия растениеводства, животноводства и переработки с/х продукции. ТАВРОС ищет руководителя проектов в области искусственного интеллекта, поэтому позиция больше подойдет людям с опытом разработки ИИ-решений. Основная задача — оптимизация бизнес-процессов компании, сбор и анализ требований, разработка технической документации. Кандидат должен иметь навыки работы с ML и большими данными, опыт анализа бизнес-процессов и составления техзаданий.

4️⃣ Senior Data Analyst в АстраЗенека

АстраЗенека приглашает аналитика для развития цифровизации фармацевтической индустрии. Основные обязанности включают обработку данных о рынке, проведение разведывательного анализа и создание прогностических моделей. Кандидат должен иметь высшее образование в области математики или IT, опыт работы в анализе данных, владеть Python, SQL и PowerBI, разбираться в методах математической статистики и анализа временных рядов. Навыки работы с библиотеками машинного обучения будут большим плюсом.

5️⃣ Биоинформатик в ООО МедБизнесКонсалтинг

Компания ищет биоинформатика для работы с метагеномными данными, который будет решать исследовательские задачи и участвовать в подготовке отчетов и публикаций для международных журналов. Задачи включают обработку данных секвенирования (ONT/Illumina), таксономический анализ микробиома, интеграцию находок с клиническими данными и визуализацию результатов.
Кандидат должен иметь высшее образование в биоинформатике или смежных областях, владеть Python/R и Bash, знать инструменты для работы с длинными прочтениями (такие как Flye и Minimap2), а также методы функционального анализа генов (KEGG, CARD). Пригодится опыт работы с облачными платформами и навыки визуализации данных в ggplot2, matplotlib или seaborn.

6️⃣ Инженер данных Python в ГК Асна

Компания Асна активно развивает свои цифровые сервисы, объединяя фармацевтическое сообщество через инновационные технологические решения. Основной стек технологий включает FastAPI, PostgreSQL, Airflow, и Jupyter. Основные задачи инженера включают поддержку и развитие микросервисов и интеграционных решений. От кандидата ожидается глубокое знание Python, уверенное владение PostgreSQL и навыки работы с S3-хранилищем, знание инструментов DevOps.

#openbio_вакансии

📌 Машинное обучение в биологии и биомедицине | OpenBio.Edu — подписывайтесь!

Продолжаем рассматривать основные темы ML, более глубоко погрузиться в которые вы сможете на курсе «Машинное обучение в биологии и биомедицине». Сегодня мы поговорим о самом базовом методе ML — линейной регрессии.

🔜🔙В ближайших постах под хэштегом #openbio_демо_курса мы будем делиться не только теорией, но и видеофрагментами из курса — лекциями и семинарами — чтобы наши подписчики смогли детальнее ознакомиться с форматом обучения. Ведь приятнее записываться на курс, когда знаешь, чего от него ожидать!

Напоминаем, что старт нового потока — 25 февраля.

Итак, поехали!

❔ Что такое линейная регрессия и зачем она нужна?

Шаг 1. Ознакомьтесь с прикрепленным видео.
Это — фрагмент лекции из первого модуля курса «Машинное обучение в биологии и биомедицине», в котором Илья Воронцов рассказывает об основных принципах линейной регрессии.

Шаг 2. А теперь мы поближе познакомимся с математической базой этого метода.

🔺 Формула простой одномерной линейной регрессии наверняка знакома всем еще со школы — это, по сути, формула прямой линии:

y=a*x+b

➗ Здесь y — целевая переменная, то есть значение, которое мы хотим предсказать; x — исходный параметр, на основании которого строится предсказание и обучается модель.

➗ a и b — коэффициенты или «веса», которые необходимо подобрать так, чтобы левая и правая части выражения были равны.

🔺 В многомерной линейной регрессии, как и в одномерной, результатом будет прямая, проведенная через облако обучающих значений, но уже в многомерном пространстве. Здесь не нужно напрягать воображение, чтобы представить многомерное пространство (хотя ML иногда работает даже со 100-мерными пространствами). Для простоты можно считать, что одно измерение соответствует одному параметру, влияющему на целевую переменную.

Формула многомерной линейной регрессии чуть сложнее, хотя ее каркас остался прежним: это все еще уравнение прямой. Ключевое отличие в том, что теперь в формуле фигурируют несколько параметров, которые имеют разные веса в зависимости от их влияния на целевую переменную.

🔺 Задача обоих видов регрессии — сделать так, чтобы итоговая прямая максимально близко соответствовала совокупности исходных тренировочных значений. Подбор параметров производится для минимизации расхождения предсказанных значений с исходными, а качество подбора оценивается с помощью функции потерь.

➗ Функция потерь — метрика, описывающая качество модели. Для разных моделей машинного обучения используются разные функции потерь, но для регрессии применяется метод наименьших квадратов (MSE, mean squared error loss).

➡️ Как считается функция потерь, что она означает и как с ней работать, вы узнаете на курсе «Машинное обучение в биологии и биомедицине».

Функции потерь, параметры и гиперпараметры — термины, которые впервые встречаются в теме линейной регрессии, но затем проходят красной нитью через множество других моделей ML. Это база!🤓

🔺 Хотя алгоритмы регрессии с необходимыми расчетами уже встроены во многие библиотеки для машинного обучения на Python, понимание математической базы необходимо для правильного выбора модели, подбора параметров и решения возникающих проблем.

🔺 Случаи, когда два параметра имеют линейную зависимость, встречаются в жизни довольно часто, поэтому знание линейной регрессии открывает окно новых возможностей для анализа данных.

➡️ А в следующих постах мы обсудим, как работать с моделями ML в Python.

Кидайте огонечки🔥, если добрались до конца и было полезно!

#openbio_ml #openbio_education #openbio_expert
#openbio_демо_курса

📌 Машинное обучение в биологии и биомедицине | OpenBio.Edu — подписывайтесь!

В рамках регулярной рубрики #openbio_рекуомендует, команда курса «Машинное обучение в биологии и биомедицине» делится с вами интересными и необычными каналами из сфер биотеха, генетики и медицины. В этой подборке особое внимание уделили личным блогам, авторы которых рассказываю о своем пути в науке и индустрии. 🔬💻

🔹Блог биохимика
Личный блог исследовательницы в сфере генной терапии и ассоциата венчурного фонда.
Истории о пути автора от бакалавриата в Канаде до PhD в Израиле, обзоры новостей и основ генной терапии, а также полезные материалы и ссылки для учёных и студентов life science — все это ждет вас в Блоге биохимика.

🔹Биоэтика и биотех
Новые технологии, достижения в биологии и генетике, биоэтические и правовые вопросы.
Каждая публикация подтверждена ссылками на научные статьи и первоисточники. Это ваш инсайд в мир науки, где всё запутанное становится ясным.
Присоединяйтесь, чтобы быть в курсе того, что формирует будущее!

🔹Significo-АМГ
Канал для тех, кто хочет знать все о современной медицине, генетике и научной клинической базе.
➕ Самые свежие новости про медицину и науку;
➕ Разборы клинических задач, правовых проблем и психологических кейсов во врачебной практике;
➕ Опросы и интервью с экспертами на актуальные темы.

🔹Орфанное радио
Канал о редких генетических заболеваниях и проблемах лекарственного обеспечения пациентов.

🔹Постоянная переменная
О жизни начинающего биоинформатика: поиски работы и проектов, путешествия по Европе, хобби и будни в Германии.

🔹Расул в Европе
Автор блога учится на программе Amsterdam University College в Университете Амстердама и строит карьеру в исследованиях рака. В блоге — про жизнь и учебу в Амстердаме, а также про карьеру в науке.

🔹Короче, нашла
Блог про странные околонаучные вещи. Загадочные органеллы, рогатые птицы, люди со смертельными ошибками в геноме — все то, что автор случайно находит в процессе работы, и что вызывает реакцию «ого!».

🔹Lab sisters | био байки
Жизнь и приключения двух лабораторных сестер в большом мире науки и коммерции 👩🏽‍🔬👩🏻‍🔬

#openbio_рекомендует

📌 Машинное обучение в биологии и биомедицине | OpenBio.Edu — подписывайтесь!

Начинаем рабочую неделю с подборки новостей 📰 из мира науки и искусственного интеллекта. Приятного чтения!

1️⃣ ИИ для разработки терапии рака с использованием минипротеинов

Компания AI Proteins в партнерстве с Университетом Миссури разрабатывает серию синтетических минипротеинов для таргетной радионуклидной терапии рака, используя технологии искусственного интеллекта.

Платформа AI Proteins сочетает синтетическую биологию, робототехнику и ИИ для создания минипротеинов с желаемой структурой. Исследования направлены на использование этих молекул для точечного лечения рака, при этом они будут нацелены на несколько поверхностных опухолевых антигенов сразу. Ожидается, что минипротеины, меченные альфа- и бета-излучающими радионуклидами, могут стать эффективными терапевтическими и диагностическими средствами.

2️⃣ Диагностика ранних стадий рака по образцам крови с помощью ML

Исследователи Оксфордского университета представили TriOx — тест для образцов крови, использующий машинное обучение для раннего выявления нескольких типов рака. Тест анализирует несколько признаков, выделенных из циркулирующей опухолевой ДНК — соматические мутации, изменения копийности генов, а также профиль метилирования. TriOx был протестирован на шести типах рака: раке прямой кишки, пищевода, поджелудочной железы, почек, яичников и молочной железы. После испытаний на большем числе диагнозов и пациентов, будет рассмотрена интеграция теста в клиническую практику.

3️⃣ Клиника Майо и ИИ для цифровой патологии

Клиника Майо объявила о создании платформы Mayo Clinic Digital Pathology в сотрудничестве с NVIDIA и Aignostics для развития цифровой патологии.
Большинство практик в патологоанатомических исследованиях по-прежнему привязаны к аналоговым процессам, что ограничивает возможности быстрой помощи пациентам. Чтобы решить эту проблему, клиника провела систематическую цифровизацию своего обширного архива слайдов патологии, а также внедрила практику сканирования образцов тканей текущих и будущих пациентов. Разработка направлена на повышение производительности и масштабируемости генеративного ИИ в патологии.

4️⃣ Разработка противоядий с помощью глубокого обучения

Учёные из США и Дании использовали глубокое обучение для создания новых белков, которые могут нейтрализовать наиболее токсичные компоненты змеиных ядов, в частности, ядов элапид (например, кобр и мамб). Яд этих змей содержит белки, которые могут вызывать паралич и смерть, нарушая сигналы между нервами и мышцами. Сейчас укусы лечат антителами, полученными от иммунизированных животных, однако антитела дороги в производстве и не всегда эффективны. Используя методы глубокого обучения, исследователи создали синтетические белки, которые связываются с токсинами, нейтрализуя их эффект.

5️⃣ ИИ для поиска новых терапевтических мишеней при эндометриозе

Эндометриоз — распространённое гинекологическое заболевание, для которого на данный момент не существует лечения, так как причина его возникновения неизвестна. Исследователи из компании Insilico Medicine использовали платформу на основе ИИ для выявления новых мишеней и стратегий перепрофилирования препаратов для лечения эндометриоза. Среди потенциальных мишеней были выделеныы белок GBP2, HCK, а также интегрин бета-2 (ITGB2), для которого уже существует одобренный FDA препарат. В экспериментах на мышах препарат эффективно подавлял рост повреждений, что может указывать на перспективы для лечения эндометриоза.

А если вам хочется еще больше погрузиться в науку, приглашаем на вебинар, на котором Дмитрий Пензар — преподаватель и ко-руководитель группы машинного обучения в биологии ФББ МГУ — расскажет о своем карьерном треке в рамках цикла лекций «Личный путь в сеньора биоинформатика».

Встреча пройдет уже завтра, 21 января в 19:00 по Мск.

Зарегистрируйтесь, чтобы получить ссылку на эфир.

#openbio_news

📌 Машинное обучение в биологии и биомедицине | OpenBio.Edu — подписывайтесь!

В прошлом посте мы обсудили математическую базу линейной регрессии, и многие могут задаться вопросом «а что же с этим всем делать на практике?». Разберемся с этим, познакомившись с библиотекой Scikit-learn!

Scikit-learn (сокращенно sklearn) предоставляет множество инструментов для машинного обучения. Он поддерживает обучение как с учителем, так и без учителя, и включает функции для предварительной обработки данных, выбора и оценки моделей. Благодаря своей простоте и мощности, Scikit-learn стал предпочитаемым инструментом и для начинающих, и для опытных специалистов.

Sklearn предоставляет стандартизированные и простые в использовании интерфейсы, общие для всех методов ML, что упрощает процесс выбора подходящей модели для вашей задачи.

❔ Что такое интерфейс и как он помогает работать с моделями ML — расскажет Илья Воронцов во фрагменте лекции из курса «Машинное обучение в биологии и биомедицине». Ознакомьтесь с видео, чтобы узнать о преимуществах Sklearn, которые делают его таким удобным и популярным.

1️⃣ Как установить Sklearn?

Sklearn не входит в стандартную библиотеку Python, поэтому его нужно установить отдельно. Для этого можно воспользоваться менеджером программных пакетов pip.

🔺 Чтобы установить sklearn, выполните одну команду в командной строке или терминале:

pip install scikit-learn

🔺 Перед началом работы с библиотекой в Python нужно ее импортировать. Чтобы проверить, успешно ли прошла установка, можно выполнить команду, которая напечатает установленную версию sklearn:

import sklearn
print(sklearn.version)

2️⃣ Основные возможности библиотеки

Sklearn поддерживает широкий спектр алгоритмов и техник машинного обучения. Перечислим лишь некоторые из них:

➖ Предварительная обработка данных: извлечение признаков, нормализация, стандартизация, заполнение пропусков.
➖ Классификация: Support Vector Machines (SVM), K-ближайших соседей (KNN), случайный лес, логистическая регрессия.
➖ Регрессия: алгоритмы, такие как лассо (Lasso), гребневая регрессия (Ridge).
➖ Кластеризация: алгоритмы, такие как K-средних, DBSCAN и другие.
➖ Снижение размерности: метод главных компонент (PCA), отбор признаков (Feature selection).

3️⃣ Принципы работы с Scikit-learn

Работа с Scikit-learn строится вокруг нескольких ключевых шагов, применимых ко всем алгоритмам машинного обучения:

➖ Загрузка данных и выбор модели
➖ Обучение модели
➖ Проверка результатов обучения

Эти шаги реализуются в рамках единого интерфейса для всех моделей — в большинстве случаев для каждой задачи достаточно создать объект модели, вызвать метод fit() для обучения и метод predict() для предсказания. Для оценки качества работы модели часто используются метод score() или другие метрики.

➡️ Сегодня мы обсудили основные свойства библиотеки Sklearn, а в следующем посте подробнее разберем ее ключевые методы и посмотрим на них в примере кода!

Важно помнить, что для достижения лучших результатов необходимо тщательно подходить к выбору модели, подбору гиперпараметров и обработке данных.

На курсе «Машинное обучение в биологии и биомедицине» вы не только научитесь писать команды для решения этих задач, но и получите глубокое понимание их внутренних процессов. Уверены, это поможет справиться с любыми новыми проектами!

Записывайтесь, чтобы присоединиться к новому потоку курса, который стартует 25 февраля!

#openbio_ml #openbio_education #openbio_expert #openbio_демо_курса

📌 Машинное обучение в биологии и биомедицине | OpenBio.Edu — подписывайтесь!

В прошлом посте мы познакомились с принципами работы библиотеки Scikit-learn и узнали, за что ее любят специалисты в машинном обучении. Сегодня более подробно пройдемся по ключевым шагам обучения модели в Scikit-learn.

1️⃣ Загрузка тренировочных данных

В библиотеку Scikit-learn встроен классический датасет для обучения, на основании которого написаны примеры во многих учебниках по ML. В нем содержится информация о 150 цветках трех видов ириса, а также измерения вроде длины лепестка и чашелистика, характеризующие разные виды.

import sklearn
from sklearn.datasets import load_iris

data = load_iris()

X = data.data  # Признаки
y = data.target  # Целевые значения

2️⃣ Выбор модели

Далее выбираем модель и импортируем ее из библиотеки:

from sklearn.linear_model import LogisticRegression
model = LogisticRegression()

❔ Помните, в посте про PEP8 мы писали, что капитализация в стиле CamelCase применяется для названий классов? Вот и наглядный пример – отдельные модели в Scikit-learn являются классами. Поэтому здесь "LogisticRegression" пишется именно так — без пробелов и каждое слово с заглавной буквы.

3️⃣ Разбиение данных на тренировочную и тестовую выборку

Перед обучением модели обучающие данные разбивают на тренировочную и тестовую выборку. Для этого используют функцию train_test_split:

from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

В данном примере данные делятся в соотношении 70% для обучения и 30% для тестирования.

На тренировочных данных модель обучается, а на тестовых выполняется проверочное предсказание и рассчитывается метрика качества обучения: это нужно, чтобы оценить качество предсказаний модели на данных, которых она еще “не видела”.

3️⃣ Обучение модели

Непосредственное обучение модели производится методом fit, который подбирает оптимальные параметры модели, “прикладывая” ее к тренировочным данным.

model.fit(X_train, y_train)

В аргументах метода функции передаются данные, как правило, в формате массивов NumPy:

➖ Х – тренировочная выборка данных
➖ y – целевые значения в тренировочной выборке

4️⃣ Предсказание новых значений

После того как модель обучена, можно использовать метод predict, который позволяет предсказать значение целевой переменной при новом заданном значении исходного параметра Х.

🔹 Предсказание на тестовой части данных необходимо, чтобы оценить качество модели:

y_pred = model.predict(X_test)
print(y_pred)

5️⃣ Оценка качества модели

Чтобы оценить точность модели, применяют метод score. Для задачи классификации этот метод возвращает точность, а для регрессии — коэффициент детерминации R2.

accuracy = model.score(X_test, y_test)
print(accuracy)

➡️ Мы рассмотрели ключевые команды, предлагаемые библиотекой Scikit-learn, которые обеспечивают базовый процесс машинного обучения, независимо от типа модели.

🧬 Готовы применить эти знания к реальным задачам?

Ждем вас на курсе «Машинное обучение в биологии и биомедицине», где вы научитесь находить оптимальные решения для анализа биомедицинских данных.

Присоединяйтесь к участникам курса, стартуем 25 февраля!

#openbio_ml #openbio_python #openbio_education

📌 Машинное обучение в биологии и биомедицине | OpenBio.Edu — подписывайтесь!

Стать ML-щиком за неделю… нереально, но можно пройти бесплатный 🔥 ML Bootcamp от OpenBio! 🔥

С 3 по 9 февраля этот канал превратится в тренировочную площадку, где ваши умы будут кипеть, а клавиатуры — дымиться. ;)

В течение пяти дней мы будем публиковать фрагменты материалов из курса «Машинное обучение в биологии и биомедицине», один день — один модуль.

Используйте возможность изучить часть материалов платного курса, пока они в открытом доступе!

Также участников ML Bootcamp ждет:
🔥 карьерный вебинар «Прожарка вакансий» с честным разбором актуальных вакансий из сферы биотеха от продюсера образовательных курсов и эксперта по карьерным трекам в биотехе Натальи Мнафки и Даниила Игумнова (Data Scientist, ex Vivan Therapeutics, ex Armenian Bioinformatics Institute);
🔥 тестирование для тех, кто захочет закрепить полученные знания;
🔥 возможность получить скидку до 30% на обучение на курсе «Машинное обучение в биологии и биомедицине»!

Подписывайтесь на канал, приглашайте друзей, включайте уведомления, и уже 3 февраля мы встретимся на самом горячем мероприятии этой зимы — ML Bootcamp от OpenBio!

#openbio_ML_Bootcamp
#openbio_ml #openbio_education

🔥 До старта 🌤🌥☁️ от OpenBio: 10 дней.🔥

Машинное обучение в биологии и биомедицине | OpenBio.Edu — подписывайтесь!

⚡️30 дней до старта курса «Машинное обучение в биологии и медицине», и всего 3 дня, чтобы записаться на программу на наиболее выгодных условиях!

Выделите 8-10 часов в неделю, и уже через 3.5 месяца вы сможете освоить самые популярные методы и подходы в ML в области биологии и биомедицины, а также претендовать на новые зоны ответственности, используя полученные знания для решения задач в биомеде или смежных областях.

Чем ближе старт программы, тем выше цена: 29 января стоимость обучения вырастет.

Оставьте заявку на сайте и зафиксируйте за собой текущие условия.

По окончании курса вы получите ряд конкурентных преимуществ:
➖опыт работы по готовым протоколам обработки конкретных типов данных;
➖глубинное понимание специфики мира ML в биологии и медицине;
➖знание, когда и как лучше применять классические методы ML, а когда пора переходить на нейросети;
➖практику на 4х кейсах с реальных мед. данными, а также опыт участия в групповом соревновании по Computer Vision.

Все успешно завершившие курс получат официальное удостоверение о повышении квалификации государственного образца.

📈 На программе предусмотрены скидки для студентов (30%), аспирантов (10%), и групп от юр. лиц.

❔ Остались вопросы? Оставьте заявку на сайте, и наши менеджеры проконсультируют вас бесплатно.

#openbio_ml #openbio_education

🔥 До старта 🌤🌥☁️ от OpenBio: 8 дней.🔥

Машинное обучение в биологии и биомедицине | OpenBio.Edu — подписывайтесь!