Друзья, 🌤🌥☁️ близится к завершению.

Остаются считанные часы, чтобы выполнить итоговое тестирование, сегодня в 23:59 форма будет закрыта. ⏱

Успейте использовать возможность получить скидку до 30% на курс «Машинное обучение в биологии и биомедицине» — ответы на тест принимаются до конца дня.

А уже завтра с утра мы опубликуем разбор ответов и расскажем о подарках для всех участников ML Bootcamp от OpenBio.

До встречи завтра!

#openbio_ML_Bootcamp

🔥 ML Bootcamp от OpenBio: день 7 🔥

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

🔥 ML Bootcamp от OpenBio официально завершен! 🔥

За эту насыщенную неделю мы затронули пять тем в рамках каждого из пяти модулей курса «Машинное обучение в биологии и биомедицине». Надеемся, что вы смогли познакомиться с форматом курса и его преподавателями поближе, почерпнуть для себя полезные знания, и убедились, что ML стоит подробного изучения 😉

➡️ А теперь — правильные ответы на тестирование, чтобы вы смогли проверить себя, и, конечно, подарки!

1️⃣ Задача: рассчитать дисперсии и коэффициент детерминации R2 для тренировочных данных.

Ответы:
Общая дисперсия: 2080
Объясненная дисперсия: 870
Необъясненная дисперсия: 350
R2: 0.8317

2️⃣ Задача: выберите верные утверждения о принципах работы алгоритма k-means

Ответы:
✔️ На вход алгоритм принимает набор точек данных и количество центров.
❎ Он распределяет данные по кластерам на основании заранее заданных меток классов.
❎ Первым шагом алгоритм задает центры кластеров, и они остаются неизменными до конца его работы.
✔️ Задача алгоритма — минимизировать расстояние от точек из набора данных до центров кластеров.
❎ Алгоритм может работать с любым количеством кластеров без их предварительного задания.
✔️ Алгоритм k-means устойчив к выбросам данных (аутлаерам).

3️⃣ Задача: выполните свертку матрицы

Ответ:
-2 0 2
0 0 0
2 0 -2

4️⃣ Задача: выберите верные утверждения о латентных факторах, получаемых из мультиомиксных данных с помощью алгоритма MOFA

Ответы:
❎ Скрытые факторы, выделенные из мультиомиксных данных, объясняют закономерности только в рамках одного исследования, но не подходят для обобщения на другие данные.
✔️ MOFA использует факторизацию матриц для выделения скрытых факторов.
✔️ Каждый скрытый фактор в MOFA может включать компоненты из нескольких видов омиксных данных.
❎ Каждый выявленный скрытый фактор в MOFA обязательно представляет собой известный биологический процесс и всегда имеет прямую и линейную зависимость с клиническими характеристиками пациентов.
✔️ Скрытые факторы — это не измеряемые напрямую переменные, которые описывают главные источники дисперсии в мультиомиксных данных.
✔️ Внутри скрытых факторов можно выделить отдельные компоненты, которые имеют различные веса в зависимости от их вклада в фактор.
❎ Один скрытый фактор всегда представлен только одним типом омиксных данных (например, только транскриптомными измерениями).

5️⃣ Задача: догадайтесь, что это за операция над изображением с помощью NumPy:
new_image = 255 - image

Ответ: инвертирование цветов.

6️⃣ Последний вопрос был творческим, поэтому мы не можем привести правильный ответ, но приглашаем вас в чат канала для обсуждения, если в ходе выполнения у вас возникли вопросы и идеи! ❔

🥳 Поздравляем всех, кто принимал участие в буткэмпе! 🥳

Наши кураторы уже проверили отправленные тесты. Сегодня в течение дня менеджеры курса свяжутся с авторами ответов и пришлют в личные сообщения персональную скидку.

А теперь про подарки для участников ML Bootcamp! 🎁

➖Темп ML Bootcamp был весьма интенсивным, и конечно на полном курсе «Машинное обучение в биологии и биомедицине» у вас будет больше времени для освоения материала.

Приглашаем вас погрузиться в тему ML в более комфортом и управляемом ритме со скидкой 15% по промокоду BOOTCAMP. Ввести промокод вы сможете после оформления заказа, на странице с оплатой.

Промокод активен до 14.02 включительно.

➖А чтобы получить еще больше инструментов для изучения мира машинного обучения, дарим вам гайд со списком литературы и ресурсов по изучению ML.
Переходите по ссылке, чтобы скачать файл.

#openbio_полезное #openbio_ML #openbio_дарит_подарки

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

Завершаем второй сезон цикла лекций «Личный путь в сеньора биоинформатика» встречей с Ольгой Кардымон!

🧬 Ольга — биолог, биоинформатик, специализирующийся на применении языковых моделей в геномике и протеомике, руководитель группы «Биоинформатика» в Институте искусственного интеллекта AIRI.

Не упустите возможность задать вопросы спикеру в прямом эфире!

Встречаемся 18 февраля в 19:00 по Мск.

Трансляции проходят в рамках курса «Машинное обучение в биологии и биомедицине» от OpenBio.

До старта программы осталось всего 2 недели, а уже 13 февраля стоимость участия вырастет. ↗️

Оставьте заявку на консультацию, и мы предоставим вам демодоступ к курсу на 3 дня, чтобы вы могли изучить структуру курса и функционал платформы.

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

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

Увидимся на эфире!

#openbio_career #openbio_webinar #openbio_interview #openbio_expert

До старта курса: 1️⃣ 4️⃣ дней

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

В рамках #openbio_ML_Bootcamp мы кратко познакомили вас со всеми модулями курса, преподавателями и форматом обучения в целом. А сегодня приглашаем заглянуть непосредственно в сам курс!

Дарим вам три дня доступа к демоверсии программы «Машинное обучение в биологии и биомедицине»!

➡️ Переходите по ссылке, чтобы получить доступ 👈

Далее, в течение получаса вам на почту придет письмо со всеми деталями, и у вас будет три дня, чтобы:

➗ ознакомиться c содержанием курса (в демо версии содержится значительный объем тем, но, конечно, не все ;));
➗ форматом домашних заданий и получения обратной связи от преподавателей;
➗ функционалом платформы GetCourse в целом;
➗и убедиться, что курс «Машинное обучение в биологии и биомедицине» это именно то, что вам нужно!

Сегодня — финальный день, когда еще можно присоединиться к программе по актуальной на цене, и сделать ее еще приятнее, применив скидку 15% по промокоду BOOTCAMP.

Уже завтра цена на курс вырастет. ↗️

📲 Заинтересовала демоверсия, и вы хотите взять небольшую паузу для ее изучения?

Оставьте заявку на бесплатную консультацию сегодня, и наши менеджеры зафиксируют за вами цену, актуальную на момент публикации поста.

Также мы предоставляем различные опции для оплаты участия в нашей программе:

📈 Скидки для студентов (30%), аспирантов (10%), и гибкую систему оплаты — с банковской рассрочкой или оплатой долями через Яндекс.Сплит.

✔️ По завершению курса вы сможете оформить налоговый вычет.

Надеемся, что вы найдете для себя подходящий вариант и присоединитесь к группе обучающихся на весеннем потоке!

#openbio_полезное #openbio_ML #openbio_дарит_подарки

До старта курса: 1️⃣ 2️⃣ дней

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

🔭  Собрали свежие вакансии для специалистов с разным бэкграундом: биоинформатика, молекулярная генетика, транскриптомика, а также ML и CV. В подборке есть роли для тех, кто хочет углубиться в работу с медицинскими и генетическими данными, а также возможность прокачать CV-навыки в IT-компании.

А если вы хотите пообщаться с уже состоявшимся профессионалом, и лично задать волнующие вас вопросы о карьере и развитии отрасли, приходите на вебинар Ольги Кардымон (AIRI)!

📲 Встречаемся завтра, 18 февраля, в 19:00 по мск.

➡️ Регистрация по ссылке.

1️⃣  Научный сотрудник в Научный центр акушерства, гинекологии и перинатологии

Требуется специалист, который займется клонированием ДНК, сборкой генетических конструкций, выделением плазмидной ДНК в различных объемах и анализом последовательностей. Работа включает взаимодействие с базами данных и научной литературой, а также участие в междисциплинарных проектах с публикацией результатов. Кандидату необходимо высшее образование в биологии, генетике или смежных науках, знание методов молекулярной генетики и биоинформатики.

2️⃣  Junior-биоинформатик в МФТИ (анализ WGS-данных человека)

МФТИ ищет специалиста для работы с биоинформатическими пайплайнами анализа герминальных мутаций человека. Основные задачи включают поддержку и развитие существующих пайплайнов, работу с импутацией генетических данных, повышение точности методов с фокусом на редкие варианты, а также структурирование данных для проведения GWAS-исследований. Требуется высшее или незаконченное высшее образование в биоинформатике, биологии, биотехнологии или смежных областях. Необходимы уверенные знания Python и/или R, опыт работы в Linux (bash), а также понимание методов NGS-анализа (RNA-seq, ChIP-seq, WES и др.). Будет плюсом знание пайплайнов Snakemake, Nextflow, WDL, а также опыт работы с Docker, Spark и Slurm.

3️⃣  Computer Vision Researcher в IT-компанию Криптонит

Эта вакансия не связана с биомедициной, но представляет возможность развить навыки в области компьютерного зрения. В лабораторию искусственного интеллекта компании требуется специалист для работы над аналитической обработкой фото- и видеоданных. В обязанности входит разработка и внедрение в продакшн CV-моделей, проверка гипотез для улучшения качества алгоритмов и мониторинг событий в области ML/DL/CV/NLP/Audio. Кандидату должен знать современные архитектуры компьютерного зрения, владеть Python, PyTorch, Sklearn, и иметь опыт работы с Docker и CI/CD.

4️⃣  Научный сотрудник / биолог-исследователь scRNA-seq в МФТИ

Центр живых систем МФТИ ищет специалиста для изучения механизмов обновления тканей и органов эндокринной системы с применением scRNA-seq и пространственной транскриптомики. Исследования включают анализ клеточных состояний, изучение их регуляции и пространственного распределения. В обязанности входит разработка гипотез, проведение молекулярно-генетических экспериментов, трансфер технологий пространственной транскриптомики и участие в подготовке научных публикаций. Требуется высшее образование в биологии или медицине, опыт работы в биологии развития или клеточной биологии от 3 лет, знание методов молекулярной биологии и уверенный анализ научной литературы на английском языке.

5️⃣  Биоинформатик / научный сотрудник в ФГБУ ЦСП ФМБА России

Требуется специалист для работы с геномными данными патогенных микроорганизмов и вирусов. В обязанности входит анализ и структурирование больших объемов данных, работа с базами геномных последовательностей, проведение филогенетических исследований и подготовка научных статей и отчетов. Требуется высшее образование в области биологии, молекулярной биологии, биоинформатики или генетики, опыт работы с инструментами для сборки геномов, таксономической классификации и статистической обработки данных. Приветствуется знание Python или R, владение SQL, опыт работы с вычислительными кластерами (Unix, Bash, Slurm) и библиотеками для визуализации данных. Важно уверенное владение английским языком (B2+).

#openbio_вакансии

До старта курса: 8️⃣  дней

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

Сегодня хотим придать уверенности всем, кто еще сомневается, стоит ли идти к нам на курс « «Машинное обучение в биологии и биомедицине».

❔ Во время лекции Арсения Зинкевича в рамках цикла «Личный путь в сеньора биоинформатика», слушатели выразили опасение: могут ли биоинформатики, которые используют только классические методы ML, но не более сложные алгоритмы машинного обучения, потерять свою востребованность?
Неужели методы классического ML скоро станут не нужны? 😱

〰️ Разбираемся вместе с Арсением:

➗ Я считаю, что классические методы — это очень хорошая вещь, которая сейчас используется не так часто, как стоило бы. В последнее время выходит много статей, где пытаются натянуть нейросетевой метод на очередной объект исследования, а результат получался хуже, чем при использовании классических алгоритмов. Мое мнение здесь сходится с позицией Димы Пензара — многие применения сложного машинного обучения на самом деле притягиваются за уши. Часто бывает так, что не нужно применять сложные модели, например, нейросети, а нужно использовать классический алгоритм.

➗ Будут ли вытеснены специалисты, которые не пользуются ML вообще? Конечно, будут постепенно. Потому что если вы не используете ML, это означает, что вы не владеете очень большим пластом компетенций, которые могут быть нужны в большом ряде случаев. Я считаю, что каждому хорошему биоинформатику стоит освоить ML, либо по крайней мере научиться разбираться в нем в базовом виде.

Нужно понимать эти методы и уметь ими пользоваться, а глубина необходимого понимания будет зависеть от задач, с которыми сталкивается каждый отдельный исследователь. В любом случае, знать общую картину всегда нужно.

➗ Многие методы машинного обучение уже основательно вошли в стандартные пайплайны обработки биологических данных разного рода. Например, методы снижения размерности, такие как PCA и UMAP, используются постоянно для того, чтобы контролировать качество данных, проверить их консистентность. Какие-то методы исследователи применяют, если не каждый день, то каждый раз, когда они исследуют какую-либо зависимость в данных. Применение этих методов сильно зависит, конечно, от области внутри биоинформатики, которой вы занимаетесь, но в целом я бы сказал, что машинное обучение перешло в разряд удобств для работы и стало очень обыденным инструментом во многих применениях.

➡️ Мы убеждены, что владение даже базовыми методами ML открывает новые горизонты для исследований и делает работу биоинформатика более осмысленной и продуктивной.

Чтобы уверенно использовать машинное обучение в своей работе, приходите на курс «Машинное обучение в биологии и биомедицине», где мы поможем вам разобраться в ключевых алгоритмах, научимся применять их на практике и сделаем так, чтобы ML стал вашим надежным помощником в науке! 🤝

Оставьте заявку на бесплатную консультацию, и мы предоставим вам демодоступ к курсу на 3 дня. 🎁

#openbio_ml #openbio_webinar #openbio_interview #openbio_expert

До старта курса: 6️⃣ дней

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

🧬 Машинное обучение всё активнее используется в биологии и медицине, и всё больше специалистов стремятся освоить ML. Но на этом пути есть подводные камни — типичные ошибки, которые мешают корректно применять алгоритмы и методы.

Сегодня обсудим лучшие практики и их реализацию в курсе «Машинное обучение в биологии и биомедицине», чтобы сделать ваш путь в ML максимально эффективным! ↗️

❌ 1. Игнорирование особенностей медицинских данных
Биомедицинские данные бывают сложными и могут содержать разрозненные источники, дубликаты, пропущенные значения. Если не учитывать эти нюансы, можно получить искаженные выводы. Например, разное окрашивание срезов тканей у пациентов может зависеть не от биологических особенностей, а от различий в оборудовании.
✔️ Учитесь анализировать и предобрабатывать медицинские данные: устранять шум, учитывать дисбаланс классов, проверять данные на батч-эффекты, использовать методы нормализации.

На нашем курсе мы разбираем все нюансы работы с биомедицинскими данными, чтобы вы могли уверенно подходить к их обработке и анализу.

❌ 2. Изучение ML в отрыве от реальных задач
Можно выучить сотню алгоритмов, но без практики на реальных медицинских данных навыки останутся чисто теоретическими.
✔️ Пробуйте работать с реальными биомедицинскими датасетами: TCGA, PhysioNet, открытыми клиническими исследованиями. Пробуйте свои силы в реальных проектах и хакатонах, например, на Kaggle.

На курсе вас ждет много практики: анализ реальных данных, исследовательские кейсы и даже соревнование по компьютерному зрению.

❌ 3. Понимание алгоритмов ML на уровне "черного ящика"
Запустить нейросеть в пару строк легко, но если не понимать, как она работает, ошибки неизбежны. Глубокое понимание математических основ алгоритмов помогает не только выбирать модели, но и корректно интерпретировать их выводы. В медицине это особенно важно, так как на решениях модели может строиться клиническое исследование, новый протокол лечения и диагностики.
✔️ Разбирайтесь, какие факторы действительно влияют на предсказания модели и не являются ли они техническими артефактами; исследуйте ограничения каждого метода и грамотно подбирайте метрики качества

В рамках курса мы даем прочную математическую базу и глубокие объяснения, которые сделают сложные алгоритмы интуитивно понятными.

❌ 4. Отсутствие доменной экспертизы
ML-модель сама по себе – это просто инструмент. Без понимания предметной области её выводы могут оказаться бессмысленными. Например, если предсказывать эффективность препарата, но не учитывать физиологию пациентов, результат будет бесполезным.
✔️ Оценивайте биологическую обоснованность результатов работы модели и подробно изучайте свойства своего объекта. Не бойтесь выходить на контакт с экспертами и задавать им вопросы.

Наши преподаватели — специалисты в биологии, биоинформатике и анализе медицинских данных. Они помогут вам не только освоить ML, но и разобраться в ключевых биологических аспектах.

🚀 Хотите уверенно применять ML в биомедицине?

На курсе «Машинное обучение в биологии и биомедицине» мы учим не просто запускать модели одной строкой кода, а разбираться в данных, понимать алгоритмы и находить значимые инсайты. Вы получите ценные знания, поддержку экспертов и реальный опыт работы с биомедицинскими данными.

🔹Старт – 25 февраля! Присоединяйтесь и сделайте первый шаг к новым возможностям.

До старта курса: 4️⃣ дня

#openbio_ml #openbio_education

📩📥📤

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

Сегодня стартует обучение на весеннем потоке курса! Мы поздравляем всех учеников, кто принял решение развиваться в сфере ML вместе с нашей командой. ❤️

Также мы знаем, что многие хотели бы присоединиться, но по тем или иным причинам сомневаются.

Друзья, этот пост — для вас!

⚡️ Начните обучение на курсе «Машинное обучение в биологии и биомедицине» абсолютно бесплатно! Да-да :)⚡️

📲 Напишите в комментариях к этому посту до 4го марта включительно о том, почему вы хотите на курс. Расскажите, чем он вам пригодится, почему важен или полезен именно для вас!

Мы прочитаем все комментарии, свяжемся с авторами самых «мотивирующих» и бесплатно предоставим им доступ к первой неделе обучения.

🎁 Окончание пробной недели фиксировано, доступ будет закрыт 4го марта (независимо от даты открытия). Так что рекомендуем не откладывать, чтобы у вас было больше времени на ознакомление с курсом ;)

В рамках доступа, в течение недели с 25 февраля по 4 марта, вы сможете:

➖Ознакомиться с лекциями 1 модуля «Задачи классического ML в биологии и биомедицине»;
➖Посетить разбор кейса с предсказанием заболевания;
➖Принятие участие в живом семинаре по теме Pandas и EDA (exploratory data analysis);
➖Получить доступ в закрытый чат потока и возможность присоединиться к первым групповым дискуссиям;
➖Оценить организацию курса и уточненное расписание с разбором конкретных кейсов;
➖Узнать тему первого домашнего проекта.

Будет интересно!

Ждем ваши сообщения в комментариях.👇

#openbio_ml #openbio_education #openbio_дарит_подарки

До старта курса: 0️⃣ дней! 🥳

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