Друзья! Мы разобрали несколько тем по Python и отдельным библиотекам, чтобы вооружиться необходимыми перед стартом курса «Машинное обучение в биологии и биомедицине» от OpenBio знаниями.

Для того, чтобы сделать будущие посты еще более эффективными, нам важна ваша обратная связь. 🤝

Поэтому мы предлагаем поделиться вашими впечатлениями о последних материалах по Python с помощью опросов, которые будут ниже👇. А если вам тесно в рамках опроса, ждем ваши вопросы, замечания и наблюдения в комментариях к этому посту!

В благодарность за уделенное время, каждому, кто поделится мнением в опросе или в комментариях, мы пришлем гайд со списком литературы и ресурсов по изучению ML. 📕

Всем удачных исследований и хорошей пятницы 😉

#openbio_опрос

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