🎤👤 Сегодня делимся фрагментом интервью с биоинформатиком Артемом Касьяновым – спикером курса OpenBio по машинному обучению в биологии и биомедицине. Артем рассказал о своем карьерном пути в сфере биоинформатики и машинного обучения.
— Где ты работаешь сейчас и как ты пришел к этому?
— Сейчас я работаю в Португалии в двух позициях: в центре биоразнообразия как assistant researcher и в компании Quantori в позиции старшего биоинформатика и Data Scientist – там я работаю с различными фармацевтическими и биомедицинскими компаниями. Я прошел собеседование в Quantori после того, как друзья из России сообщили мне о вакансии – классическая история. Мне нужен был опыт, и в начале 2022 года я хотел изменений, поэтому решил уехать. Сначала я переехал в Армению, а затем в Португалию.
В Португалии вакансия в научном институте появилась рядом с моим местом жительства. Я изучил группу, подготовил мотивационное письмо и подал заявку. Удалось устроиться – это действительно большой успех, ведь быстро найти работу в академической сфере сложно.
— У тебя 15 лет опыта в индустрии и 13 лет преподавания. Вероятно, у тебя очень грамотное CV и мотивационное письмо.
— Да, у меня большой опыт с множеством проектов. Если бы я вывалил все свои работы, они могли бы не найти ничего релевантного. Например, я долго занимался растениями, но группа, куда я подавал заявку, специализируется на популяционной генетике человека. Поэтому я адаптировал свое CV под их запросы — это очень важно!
— Какими проектами ты занимаешься?
— В академической среде я занимался популяционной генетикой человека в Южной Африке. Использовал классические методы, например, программу Plink для анализа данных методом главных компонентов. Это позволяет понять, как люди из разных мест соотносятся друг с другом и выявить миграционные процессы. Также я работал с методами GWAS, которые помогают определить, какие участки генома связаны с заболеваниями. Еще один популярный метод – Admixture: он позволяет определить, из каких предков популяций состоит изучаемый геном.
В Quantori у меня больше разнообразных проектов. В последнее время заказчики активно применяют методы машинного обучения, так как фармацевтическая отрасль генерирует огромные объемы данных и ищет методы для их анализа. Компании стремятся разработать быстрые методы, которые помогут выявить новые лекарства.
— Как ты стал биоинформатиком?
— Я никогда не интересовался биологией и в школе увлекался историей. Когда поступал в ВУЗ, я выбрал технический университет, так как любил математику. Однако вскоре понял, что инженерная специальность мне не интересна, и после четвертого курса я перешел в магистратуру на ВМК. Тогда я всё ещё не хотел заниматься биологией, но ситуация изменилась, когда у жены диагностировали болезнь Крона. Я начал изучать эту тему – это и пробудило мой интерес к биологии.
***
Полную версию интервью скоро опубликуем, а посмотреть видео-вариант можно через личный кабинет у нас на платформе.
🔊А сегодня ждем вас на второй встрече с Ильей Воронцовым в 19.00 по мск - регистрация и ссылка на эфир здесь.
#openbio_interview #openbio_expert
— Где ты работаешь сейчас и как ты пришел к этому?
— Сейчас я работаю в Португалии в двух позициях: в центре биоразнообразия как assistant researcher и в компании Quantori в позиции старшего биоинформатика и Data Scientist – там я работаю с различными фармацевтическими и биомедицинскими компаниями. Я прошел собеседование в Quantori после того, как друзья из России сообщили мне о вакансии – классическая история. Мне нужен был опыт, и в начале 2022 года я хотел изменений, поэтому решил уехать. Сначала я переехал в Армению, а затем в Португалию.
В Португалии вакансия в научном институте появилась рядом с моим местом жительства. Я изучил группу, подготовил мотивационное письмо и подал заявку. Удалось устроиться – это действительно большой успех, ведь быстро найти работу в академической сфере сложно.
— У тебя 15 лет опыта в индустрии и 13 лет преподавания. Вероятно, у тебя очень грамотное CV и мотивационное письмо.
— Да, у меня большой опыт с множеством проектов. Если бы я вывалил все свои работы, они могли бы не найти ничего релевантного. Например, я долго занимался растениями, но группа, куда я подавал заявку, специализируется на популяционной генетике человека. Поэтому я адаптировал свое CV под их запросы — это очень важно!
— Какими проектами ты занимаешься?
— В академической среде я занимался популяционной генетикой человека в Южной Африке. Использовал классические методы, например, программу Plink для анализа данных методом главных компонентов. Это позволяет понять, как люди из разных мест соотносятся друг с другом и выявить миграционные процессы. Также я работал с методами GWAS, которые помогают определить, какие участки генома связаны с заболеваниями. Еще один популярный метод – Admixture: он позволяет определить, из каких предков популяций состоит изучаемый геном.
В Quantori у меня больше разнообразных проектов. В последнее время заказчики активно применяют методы машинного обучения, так как фармацевтическая отрасль генерирует огромные объемы данных и ищет методы для их анализа. Компании стремятся разработать быстрые методы, которые помогут выявить новые лекарства.
— Как ты стал биоинформатиком?
— Я никогда не интересовался биологией и в школе увлекался историей. Когда поступал в ВУЗ, я выбрал технический университет, так как любил математику. Однако вскоре понял, что инженерная специальность мне не интересна, и после четвертого курса я перешел в магистратуру на ВМК. Тогда я всё ещё не хотел заниматься биологией, но ситуация изменилась, когда у жены диагностировали болезнь Крона. Я начал изучать эту тему – это и пробудило мой интерес к биологии.
***
Полную версию интервью скоро опубликуем, а посмотреть видео-вариант можно через личный кабинет у нас на платформе.
🔊А сегодня ждем вас на второй встрече с Ильей Воронцовым в 19.00 по мск - регистрация и ссылка на эфир здесь.
#openbio_interview #openbio_expert
📍Навигация по каналу
Для того, чтобы вам легче было искать информацию по каналу, мы сделали для вас небольшую подборку актуальных рубрик со ссылками на посты.
📎Обучение
Статьи по Numpy
Numpy — это база!
Индексирование и транспонирование
Точечные произведения и матричные перемножения
Статьи по Pandas
Фреймы данных
Работа с файлами Excel в Pandas
Интеграция Google таблиц и Pandas в Google Colab
Работа с файлами *.CSV в Pandas
Курс по машинному обучению в биологии и биомедицине
📎Живые вебинары с экспертами
«Личный путь в сеньоры биоинформатика» с Артемом Касьяновым
«Личный путь в сеньоры биоинформаткиа» с Ильей Воронцовым
📎События
Подборка конференций, симпозиумов и форумов в России, посвященных искусственному интеллекту, машинному обучению, биотехнологии и биомедицине
📎Востребованность
Kaggle - учитесь, соревнуйтесь, растите, получайте деньги
10 Датасетов для практики в Computer Vision
📎Вакансии с компетенциями по ML
Подборка № 1
Подборка №2
Подборка №3
Подборка №4
📎Технологии, Кейсы
Достижение компьютерного зрения в медицине
Сверточная нейронная сеть
Анализ антител и их мишеней с помощью машинного обучения
Как нейронные сети ищут новое применение лекарственным препаратам?
📌Сохраняйте себе и делитесь с друзьями! А мы будем пополнять библиотеку полезных материалов для вас.
#openbio_navigator
Для того, чтобы вам легче было искать информацию по каналу, мы сделали для вас небольшую подборку актуальных рубрик со ссылками на посты.
📎Обучение
Статьи по Numpy
Numpy — это база!
Индексирование и транспонирование
Точечные произведения и матричные перемножения
Статьи по Pandas
Фреймы данных
Работа с файлами Excel в Pandas
Интеграция Google таблиц и Pandas в Google Colab
Работа с файлами *.CSV в Pandas
Курс по машинному обучению в биологии и биомедицине
📎Живые вебинары с экспертами
«Личный путь в сеньоры биоинформатика» с Артемом Касьяновым
«Личный путь в сеньоры биоинформаткиа» с Ильей Воронцовым
📎События
Подборка конференций, симпозиумов и форумов в России, посвященных искусственному интеллекту, машинному обучению, биотехнологии и биомедицине
📎Востребованность
Kaggle - учитесь, соревнуйтесь, растите, получайте деньги
10 Датасетов для практики в Computer Vision
📎Вакансии с компетенциями по ML
Подборка № 1
Подборка №2
Подборка №3
Подборка №4
📎Технологии, Кейсы
Достижение компьютерного зрения в медицине
Сверточная нейронная сеть
Анализ антител и их мишеней с помощью машинного обучения
Как нейронные сети ищут новое применение лекарственным препаратам?
📌Сохраняйте себе и делитесь с друзьями! А мы будем пополнять библиотеку полезных материалов для вас.
#openbio_navigator
📌 Продолжаем знакомить вас со спикерами проекта и рады анонсировать третью встречу из серии "Личный путь в сеньора биоинформатика" с Александром Сарачаковым.
Александр уже 9 лет в сфере ML , из которых пять преподает. В настоящее время занимает позицию Team Leader команды Imaging & Deep learning в BostonGene, при этом уже 4 года - квант в хедж-фонде, а еще четыре - преподает в Сбер.Университете на курсах "Байесовские методы машинного обучения" и "Компьютерное зрение", а так же в МФТИ и Санкт-Петербургской школе компьютерных наук.
На встрече будем обсуждать тренды отрасли, передовые достижения DL в биоинформатике, и, конечно, карьерные треки и лайфхаки для начинающих.
Встречи проходят в формате разговора, где в дружеской атмосфере можно будет задать волнующие вас вопросы и подчерпнуть опыт спикеров.
Начало 21 сентября, суббота, в 11.00 по мск.
Сюда вы можете написать свои вопросы, чтобы они точно попали в эфир.
Зарегистрироваться и получить приглашение на эфир или ссылку на запись встречи можно здесь.
Ждем вас!
#openbio_webinar
#openbio_interview #openbio_expert
Александр уже 9 лет в сфере ML , из которых пять преподает. В настоящее время занимает позицию Team Leader команды Imaging & Deep learning в BostonGene, при этом уже 4 года - квант в хедж-фонде, а еще четыре - преподает в Сбер.Университете на курсах "Байесовские методы машинного обучения" и "Компьютерное зрение", а так же в МФТИ и Санкт-Петербургской школе компьютерных наук.
На встрече будем обсуждать тренды отрасли, передовые достижения DL в биоинформатике, и, конечно, карьерные треки и лайфхаки для начинающих.
Встречи проходят в формате разговора, где в дружеской атмосфере можно будет задать волнующие вас вопросы и подчерпнуть опыт спикеров.
Начало 21 сентября, суббота, в 11.00 по мск.
Сюда вы можете написать свои вопросы, чтобы они точно попали в эфир.
Зарегистрироваться и получить приглашение на эфир или ссылку на запись встречи можно здесь.
Ждем вас!
#openbio_webinar
#openbio_interview #openbio_expert
А это точно обязательно?.. Да!
Не будем спорить – сфера биоинформатики и машинного обучения действительно сложная, и без математического бэкграунда может быть страшно в нее соваться. Однако знание даже основных методов анализа данных и программирования повышают ценность любого специалиста.
Эксперт курса OpenBio Илья Воронцов рассказал о значимости биоинформатики в современной науке и подсветил несколько причин обучиться навыкам анализа данных и машинного обучения.
Биоинформатика – путь к медицине будущего
Для врачей, которые умеют писать алгоритмы, всегда найдется пространство для деятельности, потому что есть недостаток технологий в области онкологии и генетических заболеваний. Врач с опытом в машинном обучении сможет сам проводить сложные исследования и анализировать данные. У такого специалиста будет понимание того, что возможно в современном контексте, и это продвинет проекты на новый уровень.
В биоинформатике всегда будут интересные задачи
Я подозреваю, что в ближайшие годы область биоинформатики будет подогреваться медицинскими исследованиями – например, персонализированной медициной и дизайном лекарственных препаратов. В то же время существует много нерешенных задач в фундаментальной науке – например, вопрос транскрипционной и трансляционной регуляции в клетке.
Биоинформатика доступна всем
Биоинформатика всегда развивалась с акцентом на инженерию данных, поэтому много качественной информации лежит в открытом доступе и с ней легко работать. К тому же, для работы не нужно ничего, кроме компьютера – хватает обычного ноутбука. Даже если вам нужен сервер, как правило, это не требует больших финансовых вложений.
Ключ к международной коллаборации
Биоинформатические публикации чаще всего описывают либо новую модель, либо данные, которые были обработаны этой моделью, и такие результаты могут использоваться в других проектах. Наша лаборатория занимается не только созданием методов, но и построением баз данных, и мы в этом сильно продвинулись – наши данные стали основой для множества других работ.
Работа с огромными объемами информации
Появление мультиомиксных технологий позволило нам объединять данные очень разной природы для решения задач, и это повышает качество результатов. Путем перевода данных в единый векторный формат мы получаем один большой комплекс для обработки информации, что снижает количество “черных ящиков”.
Знание биоинформатики упрощает коммуникацию
Полезно, когда человек при постановке научной задачи понимает обе стороны: разумная ли это задача с точки зрения биологии и какими методами ее можно реализовать технически. Руководители моей лаборатории в совершенстве владеют и биологическим, и техническим “языками”, и мне кажется, нам всем нужно стремиться к этому, так как разносторонний опыт помогает эффективнее формулировать решения.
Культура работы с данными
В любом исследовании могут быть проблемы с данными: они могут быть устаревшими, могут содержать опечатки или не заполненные поля, или файл может быть просто удален. Такие моменты вызывают много боли, поэтому в целом биоинформатика учит держать данные в порядке. Применение аналитических инструментов невозможно без аккуратно подготовленных данных.
(Считаем, что этот пункт важен не только в биологии и медицине, но и любой другой исследовательской области. – прим. команды)
Присоединяйтесь к следующим лекциям экспертов OpenBio и записывайтесь на наш курс по биоинформатике и машинному обучению, если перечисленные доводы подогрели ваш интерес 😉
Не будем спорить – сфера биоинформатики и машинного обучения действительно сложная, и без математического бэкграунда может быть страшно в нее соваться. Однако знание даже основных методов анализа данных и программирования повышают ценность любого специалиста.
Эксперт курса OpenBio Илья Воронцов рассказал о значимости биоинформатики в современной науке и подсветил несколько причин обучиться навыкам анализа данных и машинного обучения.
Биоинформатика – путь к медицине будущего
Для врачей, которые умеют писать алгоритмы, всегда найдется пространство для деятельности, потому что есть недостаток технологий в области онкологии и генетических заболеваний. Врач с опытом в машинном обучении сможет сам проводить сложные исследования и анализировать данные. У такого специалиста будет понимание того, что возможно в современном контексте, и это продвинет проекты на новый уровень.
В биоинформатике всегда будут интересные задачи
Я подозреваю, что в ближайшие годы область биоинформатики будет подогреваться медицинскими исследованиями – например, персонализированной медициной и дизайном лекарственных препаратов. В то же время существует много нерешенных задач в фундаментальной науке – например, вопрос транскрипционной и трансляционной регуляции в клетке.
Биоинформатика доступна всем
Биоинформатика всегда развивалась с акцентом на инженерию данных, поэтому много качественной информации лежит в открытом доступе и с ней легко работать. К тому же, для работы не нужно ничего, кроме компьютера – хватает обычного ноутбука. Даже если вам нужен сервер, как правило, это не требует больших финансовых вложений.
Ключ к международной коллаборации
Биоинформатические публикации чаще всего описывают либо новую модель, либо данные, которые были обработаны этой моделью, и такие результаты могут использоваться в других проектах. Наша лаборатория занимается не только созданием методов, но и построением баз данных, и мы в этом сильно продвинулись – наши данные стали основой для множества других работ.
Работа с огромными объемами информации
Появление мультиомиксных технологий позволило нам объединять данные очень разной природы для решения задач, и это повышает качество результатов. Путем перевода данных в единый векторный формат мы получаем один большой комплекс для обработки информации, что снижает количество “черных ящиков”.
Знание биоинформатики упрощает коммуникацию
Полезно, когда человек при постановке научной задачи понимает обе стороны: разумная ли это задача с точки зрения биологии и какими методами ее можно реализовать технически. Руководители моей лаборатории в совершенстве владеют и биологическим, и техническим “языками”, и мне кажется, нам всем нужно стремиться к этому, так как разносторонний опыт помогает эффективнее формулировать решения.
Культура работы с данными
В любом исследовании могут быть проблемы с данными: они могут быть устаревшими, могут содержать опечатки или не заполненные поля, или файл может быть просто удален. Такие моменты вызывают много боли, поэтому в целом биоинформатика учит держать данные в порядке. Применение аналитических инструментов невозможно без аккуратно подготовленных данных.
(Считаем, что этот пункт важен не только в биологии и медицине, но и любой другой исследовательской области. – прим. команды)
Присоединяйтесь к следующим лекциям экспертов OpenBio и записывайтесь на наш курс по биоинформатике и машинному обучению, если перечисленные доводы подогрели ваш интерес 😉
🩺 ML в радиологии
Внедрение машинного обучения (ML) в радиологию изменяет область медицинской визуализации, повышает точность и эффективность. Машинное обучение, в частности deep learning, легко справляется с интерпретацией сложных данных визуализации и выявляет закономерности, которые могут не заметить даже опытные рентгенологи. Эта способность помогает быстрее и точнее ставить диагнозы, особенно при выявлении тонких аномалий в огромных массивах данных 🧠
Одним из наиболее значимых применений ML в радиологии является автоматическое обнаружение заболеваний. Эти ML-модели обучаются на огромных коллекциях данных визуализации, что позволяет им с поразительной точностью распознавать такие заболевания, как опухоли, переломы и другие патологии. Это не только способствует раннему обнаружению, но и помогает стандартизировать диагнозы, уменьшая вариативность интерпретаций разных радиологов 🩻
Помимо повышения точности диагностики, ML значительно повышает эффективность рабочего процесса в радиологических отделениях. Расставляя приоритеты в критических случаях и автоматизируя рутинные задачи, такие как сегментация и маркировка изображений, ML позволяет радиологам сосредоточиться на более сложных и тонких случаях. Это приводит к ускорению времени выполнения операций от получения изображения до постановки диагноза, что в конечном итоге обеспечивает более качественное лечение пациентов и улучшение результатов 🏥
Однако внедрение ML в радиологию не обходится без проблем. Среди наиболее актуальных - этические дилеммы, связанные с конфиденциальностью данных, прозрачностью диагноза и возможностью предвзятости 🤔
- Конфиденциальность данных: Для эффективной работы ML-моделей требуются большие массивы данных, что часто приводит к необходимости доступа к конфиденциальной информации о пациентах. В связи с этим возникает вопрос о том, как эти данные хранятся, передаются и используются, особенно с точки зрения обеспечения конфиденциальности пациентов 🛡
- Прозрачность: Еще одна проблема - “black box” некоторых моделей ML. Эти модели делают точные прогнозы, но не всегда предоставляют чёткие объяснения того, как пришли к таким решениям. Такая непрозрачность может вызывать беспокойство в медицинском контексте, где понимание причин, лежащих в основе диагноза, имеет решающее значение 🔍
- Предвзятость: ML-модели также могут непреднамеренно усилить существующие предубеждения, присутствующие в данных, на которых они обучались. Например, если модель была обучена в основном на данных определенной популяции, она может работать не так точно, когда применяется к пациентам из других демографических групп, что может привести к неравенству в лечении ⚖️
Решение этих этических дилемм требует постоянного сотрудничества между радиологами, учёными по изучению данных, специалистами по этике и регулирующими органами.
ML в радиологии становится бесценным инструментом, который дополнит, а не заменит человеческий опыт. По мере развития этих технологий они будут играть все более важную роль в персонализированной медицине, подстраивая планы диагностики и лечения под уникальные потребности каждого пациента 👩⚕️
Кстати, в нашем курсе по машинному обучению в модуле по Computer Vision мы очень подробно рассматриваем задачу бинарной классификации по рентгеновским снимкам. Записывайтесь на консультацию и приходите на курс, завтра у нас повышение цен! CCЫЛКА
Внедрение машинного обучения (ML) в радиологию изменяет область медицинской визуализации, повышает точность и эффективность. Машинное обучение, в частности deep learning, легко справляется с интерпретацией сложных данных визуализации и выявляет закономерности, которые могут не заметить даже опытные рентгенологи. Эта способность помогает быстрее и точнее ставить диагнозы, особенно при выявлении тонких аномалий в огромных массивах данных 🧠
Одним из наиболее значимых применений ML в радиологии является автоматическое обнаружение заболеваний. Эти ML-модели обучаются на огромных коллекциях данных визуализации, что позволяет им с поразительной точностью распознавать такие заболевания, как опухоли, переломы и другие патологии. Это не только способствует раннему обнаружению, но и помогает стандартизировать диагнозы, уменьшая вариативность интерпретаций разных радиологов 🩻
Помимо повышения точности диагностики, ML значительно повышает эффективность рабочего процесса в радиологических отделениях. Расставляя приоритеты в критических случаях и автоматизируя рутинные задачи, такие как сегментация и маркировка изображений, ML позволяет радиологам сосредоточиться на более сложных и тонких случаях. Это приводит к ускорению времени выполнения операций от получения изображения до постановки диагноза, что в конечном итоге обеспечивает более качественное лечение пациентов и улучшение результатов 🏥
Однако внедрение ML в радиологию не обходится без проблем. Среди наиболее актуальных - этические дилеммы, связанные с конфиденциальностью данных, прозрачностью диагноза и возможностью предвзятости 🤔
- Конфиденциальность данных: Для эффективной работы ML-моделей требуются большие массивы данных, что часто приводит к необходимости доступа к конфиденциальной информации о пациентах. В связи с этим возникает вопрос о том, как эти данные хранятся, передаются и используются, особенно с точки зрения обеспечения конфиденциальности пациентов 🛡
- Прозрачность: Еще одна проблема - “black box” некоторых моделей ML. Эти модели делают точные прогнозы, но не всегда предоставляют чёткие объяснения того, как пришли к таким решениям. Такая непрозрачность может вызывать беспокойство в медицинском контексте, где понимание причин, лежащих в основе диагноза, имеет решающее значение 🔍
- Предвзятость: ML-модели также могут непреднамеренно усилить существующие предубеждения, присутствующие в данных, на которых они обучались. Например, если модель была обучена в основном на данных определенной популяции, она может работать не так точно, когда применяется к пациентам из других демографических групп, что может привести к неравенству в лечении ⚖️
Решение этих этических дилемм требует постоянного сотрудничества между радиологами, учёными по изучению данных, специалистами по этике и регулирующими органами.
ML в радиологии становится бесценным инструментом, который дополнит, а не заменит человеческий опыт. По мере развития этих технологий они будут играть все более важную роль в персонализированной медицине, подстраивая планы диагностики и лечения под уникальные потребности каждого пациента 👩⚕️
Кстати, в нашем курсе по машинному обучению в модуле по Computer Vision мы очень подробно рассматриваем задачу бинарной классификации по рентгеновским снимкам. Записывайтесь на консультацию и приходите на курс, завтра у нас повышение цен! CCЫЛКА
Курс "Машинное обучение в биологии и биомедицине" от OpenBio - лучшее предложение на рынке для профильных специалистов.
Команда проекта более 4 лет делает образовательные курсы в сфере биотеха, постоянно мониторит рынок вакансий в сфере ML и привлекла лучших специалистов для разработки программы. Наши спикеры сделали успешную карьеру, годами преподают сложные дисциплины и приложили много усилий для реализации непростой задачи - возможности эффективно передать навыки обработки биомед данных современными методами машинного обучения непрограммистам.
Выделите 2,5 месяца по 8-10 часов в неделю и у вас на руках полная база для входа в сферу DataScience, да еще удостоверение о повышение квалификации гособразца.
Наш курс это:
✨Единственная программа с задачами по ML в NGS и Сomputer Vision в биомедицине в одном курсе
📚 Системные знания и навигация в "зоопарке" методов от опытных спикеров с лучшими педагогическими практиками
📈Модули построены с постепенным усложнением, а кейсы содержат те самые задачи, которые спросит вас работодатель
🤓Комфортное освоение материала в гибком графике с еженедельными прямыми эфирами и постоянной поддержкой в чате
📅Материалы лекций и доступ к комьюнити сохраняется в течение года
📌Узнайте подробности на бесплатной консультации, а если обратитесь сегодня - дадим бесплатный список литературы и ресурсов по изучению ML в подарок.
P.S. Завтра повышение цен!
Команда проекта более 4 лет делает образовательные курсы в сфере биотеха, постоянно мониторит рынок вакансий в сфере ML и привлекла лучших специалистов для разработки программы. Наши спикеры сделали успешную карьеру, годами преподают сложные дисциплины и приложили много усилий для реализации непростой задачи - возможности эффективно передать навыки обработки биомед данных современными методами машинного обучения непрограммистам.
Выделите 2,5 месяца по 8-10 часов в неделю и у вас на руках полная база для входа в сферу DataScience, да еще удостоверение о повышение квалификации гособразца.
Наш курс это:
✨Единственная программа с задачами по ML в NGS и Сomputer Vision в биомедицине в одном курсе
📚 Системные знания и навигация в "зоопарке" методов от опытных спикеров с лучшими педагогическими практиками
📈Модули построены с постепенным усложнением, а кейсы содержат те самые задачи, которые спросит вас работодатель
🤓Комфортное освоение материала в гибком графике с еженедельными прямыми эфирами и постоянной поддержкой в чате
📅Материалы лекций и доступ к комьюнити сохраняется в течение года
📌Узнайте подробности на бесплатной консультации, а если обратитесь сегодня - дадим бесплатный список литературы и ресурсов по изучению ML в подарок.
P.S. Завтра повышение цен!
7️⃣ основных требований к стилю написания резюме
Краткость. Одна из главных ошибок резюме - писать его на 2-3 листа. Идеально, чтобы оно занимало 1 лист. У большинства сейчас времени мало, поэтому читать длинные мемуары нет ни желания, ни времени. Особенно, если позиция популярна и на неё идёт большой поток резюме. Поэтому чем более кратко будет изложена основная информация, тем быстрее человек его прочитает. И у него даже может появиться внутренняя благодарность за экономию своего времени.
Поэтому рекомендуется умещать резюме на 1 странице. Как вариант, можно сделать 2 резюме: длинное и короткое. И написать при отправке: «Направляю вам короткое резюме, если необходимо, направлю более длинный вариант». Если вас заранее не попросили прислать развернутое и длинное резюме со всеми местами работы, то лучше отправить короткое. С 3-4 основными результатами вашей деятельности (запустил 6 проектов, освоил для лаборатории 4 новых метода, привлёк 50 новых клиентов и так далее).
Когда будете заполнять информацию о прошлых местах работы - достаточно будет указать 3 последних места за последние 5-6 лет. Если у вас есть более ранний опыт работы, который подходит именно под эту позицию, на которую вы сейчас претендуете, тогда его можно указать, даже 4 пунктом.
Если вы работали 5-6 лет на одну компанию на одном месте и думаете, что 1 строчка будет не слишком убедительна, можно добавить опыт в других компаниях, даже если они были больше 5-6 лет назад.
Конкретность. Формулировки в резюме должны быть предельно конкретными. С цифрами, сроками - любыми измеримыми параметрами.
Активность. Использование энергичных глаголов, показывающих активность. Не стоит писать «участвовал», «оказывал помощь» и т. п. Это позволяет думать, что вы стояли в стороне и от случая к случаю оказывали разовые услуги.
Избирательность. Не стоит считать, что, чем больше дано разношерстной информации, тем лучше; необходимо отбирать информацию, исходя из цели резюме, которая, как правило, состоит в том, чтобы дать понять - есть ли у вас мэтч к тербованиям в вакансии. Даже если вы прекрасная “ромашка”, универсал и многое умеете, если опыт не релевантен позиции, лучше не перегружать буквами лишний раз.
Честность. На собеседовании быстро станет понятно, где вы приврали, и будет очень неловко. Важно знать свои ограничения и при разговоре демонстрировать готовность закрыть пробелы, приводя соответствующие факты.
Позитивность. Стоит предпочитать позитивную информацию негативной. Пишем про удачи и свершившиеся проекты.
Результативность. Концентрируйте внимание читающего на достижениях.
А если вас интересует полная и подробная инструкция о том, как готовить свое резюме по всем правилам, регистрируйтесь на нашей платформе и скачайте подборку 🆓. Поделитесь возможностью с друзьями!
#openbio_career
Краткость. Одна из главных ошибок резюме - писать его на 2-3 листа. Идеально, чтобы оно занимало 1 лист. У большинства сейчас времени мало, поэтому читать длинные мемуары нет ни желания, ни времени. Особенно, если позиция популярна и на неё идёт большой поток резюме. Поэтому чем более кратко будет изложена основная информация, тем быстрее человек его прочитает. И у него даже может появиться внутренняя благодарность за экономию своего времени.
Поэтому рекомендуется умещать резюме на 1 странице. Как вариант, можно сделать 2 резюме: длинное и короткое. И написать при отправке: «Направляю вам короткое резюме, если необходимо, направлю более длинный вариант». Если вас заранее не попросили прислать развернутое и длинное резюме со всеми местами работы, то лучше отправить короткое. С 3-4 основными результатами вашей деятельности (запустил 6 проектов, освоил для лаборатории 4 новых метода, привлёк 50 новых клиентов и так далее).
Когда будете заполнять информацию о прошлых местах работы - достаточно будет указать 3 последних места за последние 5-6 лет. Если у вас есть более ранний опыт работы, который подходит именно под эту позицию, на которую вы сейчас претендуете, тогда его можно указать, даже 4 пунктом.
Если вы работали 5-6 лет на одну компанию на одном месте и думаете, что 1 строчка будет не слишком убедительна, можно добавить опыт в других компаниях, даже если они были больше 5-6 лет назад.
Конкретность. Формулировки в резюме должны быть предельно конкретными. С цифрами, сроками - любыми измеримыми параметрами.
Активность. Использование энергичных глаголов, показывающих активность. Не стоит писать «участвовал», «оказывал помощь» и т. п. Это позволяет думать, что вы стояли в стороне и от случая к случаю оказывали разовые услуги.
Избирательность. Не стоит считать, что, чем больше дано разношерстной информации, тем лучше; необходимо отбирать информацию, исходя из цели резюме, которая, как правило, состоит в том, чтобы дать понять - есть ли у вас мэтч к тербованиям в вакансии. Даже если вы прекрасная “ромашка”, универсал и многое умеете, если опыт не релевантен позиции, лучше не перегружать буквами лишний раз.
Честность. На собеседовании быстро станет понятно, где вы приврали, и будет очень неловко. Важно знать свои ограничения и при разговоре демонстрировать готовность закрыть пробелы, приводя соответствующие факты.
Позитивность. Стоит предпочитать позитивную информацию негативной. Пишем про удачи и свершившиеся проекты.
Результативность. Концентрируйте внимание читающего на достижениях.
А если вас интересует полная и подробная инструкция о том, как готовить свое резюме по всем правилам, регистрируйтесь на нашей платформе и скачайте подборку 🆓. Поделитесь возможностью с друзьями!
#openbio_career
Вечер этой пятницы оставьте свободным, чтобы посмотреть наш четвертый прямой эфир из серии "Личный путь в сеньора биоинформатика" с Артемом Васильевым.
Артем за 3 года построил карьеру в ML и очень быстро после окончания университета получил позицию разработчика-исследователя методов Computer Vision у лидера рынка - компании "Платформа Третье Мнение". Не первый год он также преподаватель, научный консультант и разработчик учебных материалов курса по нейросетям и их применению в научных исследованиях в МГУ. Как ему это удалось, и что нужно сделать, чтобы попробовать также быстро достичь востребованности, спросите у Артема в прямом эфире.
Трансляции проходят в рамках курса "Машинное обучение в биологии и биомедицине" от OpenBio, который стартует 1 октября.
Сюда вы можете написать свои вопросы спикеру, чтобы они точно попали в эфир!
Начало 27 сентября в 19.00, зарегистрироваться и получить приглашение на трансляцию можно здесь.
Ждем вас!🩵
#openbio_webinar
#openbio_interview #openbio_expert
Артем за 3 года построил карьеру в ML и очень быстро после окончания университета получил позицию разработчика-исследователя методов Computer Vision у лидера рынка - компании "Платформа Третье Мнение". Не первый год он также преподаватель, научный консультант и разработчик учебных материалов курса по нейросетям и их применению в научных исследованиях в МГУ. Как ему это удалось, и что нужно сделать, чтобы попробовать также быстро достичь востребованности, спросите у Артема в прямом эфире.
Трансляции проходят в рамках курса "Машинное обучение в биологии и биомедицине" от OpenBio, который стартует 1 октября.
Сюда вы можете написать свои вопросы спикеру, чтобы они точно попали в эфир!
Начало 27 сентября в 19.00, зарегистрироваться и получить приглашение на трансляцию можно здесь.
Ждем вас!🩵
#openbio_webinar
#openbio_interview #openbio_expert
Дорогие друзья‼️
Завтра с утра мы приглашаем вас на онлайн-встречу в формате круглого стола «Кадры будущего. Кейсы внедрения ИИ в биотех» в рамках форума OpenBio-2024.
Дата: 27 сентября
Время: 10:30 - 12:30 (по Москве)
Актуальная ссылка на трансляцию: https://online.openbio.ru/zm_27
От команды нашего проекта будут:
Модератор
МНАФКИ Наталья Александровна, эксперт по карьерным трекам в биотехе, соучредитель и ех-руководитель образовательных программ в Бластим, продюсер курса "Машинное обучение в биологии и биомедицине" в OpenBio
Спикеры с докладами:
📄САРАЧАКОВ Александр Евгеньевич, Team Leader Imaging Pipelines Division at BostonGene
📍Тема доклада: Самообучение нейронных сетей
📄 ВАСИЛЬЕВ Артём Викторович, разработчик-исследователь методов компьютерного зрения в компании «Платформа Третье Мнение»
📍Тема доклада: Как ИИ оптимизирует работу врача-рентгенолога: рентгенография ОГК и флюорография, ИИ-сервис компании «Платформа Третье мнение»
⚡️В программе участвует приглашенный эксперт - ГЕЛЬФАНД Михаил Сергеевич, профессор, член Academia Europaea, почетный член Международного общества вычислительной биологии (ISCB)
Также в рамках встречи вас ждут следующие спикеры и доклады:
🖇 ПОПЦОВА Мария Сергеевна, заведующая международной лаборатории биоинформатики, Институт искусственного интеллекта и цифровых наук, Факультет компьютерных наук, НИУ ВШЭ
📍Тема доклада: ИИ и генетический компьютер
🖇 ЕРЁМИН Андрей Андреевич, менеджер по развитию бизнеса ООО «Фармпредикт»
📍Тема доклада: Target discovery: биоинформатика омиксных данных для разработки первых в классе препаратов
🖇 КОЛПАКОВ Федор Анатольевич, научный руководитель, Научный центр генетики и наук о жизни, Направление «Вычислительная биология», Научно-технологический университет «Сириус»
📍Тема доклада: ИИ и регуляция генной экспрессии
🖇 КОНЫШЕВ Владимир Анатольевич, нейрофизиолог, генеральный директор «Нейроботикс»
📍Тема доклада: Нейротренировки на аппаратах БОС на службе у кадров - влияние на снятие стресса и повышение мотивации у сотрудников
Не упустите возможность присоединиться к нашей беседе, послушать мнение экспертов и открыть для себя передовые тренды.
До встречи!💫
Завтра с утра мы приглашаем вас на онлайн-встречу в формате круглого стола «Кадры будущего. Кейсы внедрения ИИ в биотех» в рамках форума OpenBio-2024.
Дата: 27 сентября
Время: 10:30 - 12:30 (по Москве)
Актуальная ссылка на трансляцию: https://online.openbio.ru/zm_27
От команды нашего проекта будут:
Модератор
МНАФКИ Наталья Александровна, эксперт по карьерным трекам в биотехе, соучредитель и ех-руководитель образовательных программ в Бластим, продюсер курса "Машинное обучение в биологии и биомедицине" в OpenBio
Спикеры с докладами:
📄САРАЧАКОВ Александр Евгеньевич, Team Leader Imaging Pipelines Division at BostonGene
📍Тема доклада: Самообучение нейронных сетей
📄 ВАСИЛЬЕВ Артём Викторович, разработчик-исследователь методов компьютерного зрения в компании «Платформа Третье Мнение»
📍Тема доклада: Как ИИ оптимизирует работу врача-рентгенолога: рентгенография ОГК и флюорография, ИИ-сервис компании «Платформа Третье мнение»
⚡️В программе участвует приглашенный эксперт - ГЕЛЬФАНД Михаил Сергеевич, профессор, член Academia Europaea, почетный член Международного общества вычислительной биологии (ISCB)
Также в рамках встречи вас ждут следующие спикеры и доклады:
🖇 ПОПЦОВА Мария Сергеевна, заведующая международной лаборатории биоинформатики, Институт искусственного интеллекта и цифровых наук, Факультет компьютерных наук, НИУ ВШЭ
📍Тема доклада: ИИ и генетический компьютер
🖇 ЕРЁМИН Андрей Андреевич, менеджер по развитию бизнеса ООО «Фармпредикт»
📍Тема доклада: Target discovery: биоинформатика омиксных данных для разработки первых в классе препаратов
🖇 КОЛПАКОВ Федор Анатольевич, научный руководитель, Научный центр генетики и наук о жизни, Направление «Вычислительная биология», Научно-технологический университет «Сириус»
📍Тема доклада: ИИ и регуляция генной экспрессии
🖇 КОНЫШЕВ Владимир Анатольевич, нейрофизиолог, генеральный директор «Нейроботикс»
📍Тема доклада: Нейротренировки на аппаратах БОС на службе у кадров - влияние на снятие стресса и повышение мотивации у сотрудников
Не упустите возможность присоединиться к нашей беседе, послушать мнение экспертов и открыть для себя передовые тренды.
До встречи!💫
Совместно с экспертами курса «Машинное обучение в биологии и биомедицине» и коллегами из N+1 создали серию карточек о том, с чего начать свой путь в ML. Делимся с вами!
А для тех, кто решил зайти в IT как положено напоминаем, что уже 1 октября стартует наш курс повышения квалификации «Машинное обучение в биологии и биомедицине». Группа уже сформировалась, но вы успеваете запрыгнуть в последний вагон!
#сми_о_нас
А для тех, кто решил зайти в IT как положено напоминаем, что уже 1 октября стартует наш курс повышения квалификации «Машинное обучение в биологии и биомедицине». Группа уже сформировалась, но вы успеваете запрыгнуть в последний вагон!
#сми_о_нас
Telegram
N + 1
Свежая наука каждый день
Для связи: @laipanlani
Включена Роскомнадзором в перечень персональных страниц: https://gosuslugi.ru/snet/679234ce19290c0f936147cc
Для связи: @laipanlani
Включена Роскомнадзором в перечень персональных страниц: https://gosuslugi.ru/snet/679234ce19290c0f936147cc
Forwarded from N + 1
Что объединяет студента-биолога, врача-диагноста, team-лида научной группы и Python-разработчика? Им всем актуальны знания о машинном обучении.
Если вы хотите войти в самую перспективную, быстро развивающуюся сферу Data Science и получить опыт, который сделает вас в 2 раза востребованнее, в том числе и на международном рынке — приходите на курс «ML в биологии и биомедицине» от OpenBio.
Дарим скидку 15% по промокоду PLUS, а всем студентам по умолчанию 30%.
Регистрируйтесь: https://clck.ru/3DUY59
Если вы хотите войти в самую перспективную, быстро развивающуюся сферу Data Science и получить опыт, который сделает вас в 2 раза востребованнее, в том числе и на международном рынке — приходите на курс «ML в биологии и биомедицине» от OpenBio.
Дарим скидку 15% по промокоду PLUS, а всем студентам по умолчанию 30%.
Регистрируйтесь: https://clck.ru/3DUY59