درس "یادگیری ماشین برای بیوانفورماتیک" در نیم‌سال دوم سال تحصیلی 99-98 با کمک خانم زهرا مهدوی‌نژاد، در دانشکده مهندسی کامپیوتر دانشگاه صنعتی شریف ضبط شده‌است.

بدون شک بزرگ‌ترین پیشرفت علوم رایانه و بلکه یکی از بزرگ‌ترین پیشرفت‌های علمی دنیا در سال‌های اخیر، توسعه و پیشرفت چشمگیر هوش مصنوعی است. این موضوع باعث شده‌است، بسیاری از جنبه‌های زندگی بشر تحت تأثیر قرار بگیرد. نرم‌افزارهای هوشمند تشخیص صدا و تصویر، خودروهای هوشمند بدون راننده و ... بخش کوچکی از کاربردهای فراگیر این موضوع هستند. در این میان، یادگیری ماشین و یادگیری ژرف جایگاه بخصوصی را در این رشته به خود اختصاص داده‌اند.

یادگیری ماشین کاربردی از هوش مصنوعی است که در آن سیستم، قابلیت یادگیری خودکار و بهبود خود را از تجربه‌های مختلف به دست می‌آورد. یادگیری ماشین و یادگیری ژرف بر روی توسعه‌ی برنامه‌های کامپیوتری که قابلیت دسترسی به داده و استفاده از آن برای یادگیری خود را دارند، تمرکز دارد. بعضی از روش‌های یادگیری ماشین شامل این موارد است: یادگیری نظارت‌شده، یادگیری نیمه نظارت‌شده، یادگیری نظارت‌نشده و یادگیری تقویتی. یادگیری ماشین به ما این قابلیت را می‌دهد تا مقدار زیادی از داده‌ها را آنالیز کنیم. به‌طورکلی با این‌که نتایج دقیق‌تر و سریع‌تری فراهم می‌کند، به زمان و منابع بیشتری برای یادگیری نیز نیاز دارد.

با پیشرفت دانش و تجهیزات در علوم زیست‌شناسی به‌ویژه علوم سلولی و مولکولی، با افزایش حجم عظیم داده‌های استخراج شده از سلول‌ها و به تبع آن موجودات مواجه هستیم. افزایش این حجم از داده‌ها و به سبب آن نیاز به ذخیره، بازیابی و تحلیل مناسب این داده‌ها، موجب پیدایش علم بیوانفورماتیک گردیده‌است. این دانش نوظهور، به‌عنوان یک دانش بین‌رشته‌ای، تلاش می‌کند تا با استفاده از تکنیک‌های موجود در علوم کامپیوتر، ریاضیات، شیمی، فیزیک و علوم مرتبط دیگر، مسائل مختلف زیست‌شناختی را که معمولاً در سطح مولکولی هستند حل کند و با توسعه ابزارها و روش‌هایی سعی در فهمیدن این حجم زیاد از داده‌ها داشته باشد. تلاش‌های پژوهشی اصلی در این رشته عبارتند از: تطابق توالی، کشف ژن، گردآوری ژنوم، تنظیم ساختار پروتئینی، پیش‌بینی ساختارهای دوم و سوم پروتئین، پیش‌بینی بیان ژن و تعاملات پروتئین-پروتئین و مدل‌سازی تکامل. یادگیری ماشین در بیوانفورماتیک فرصتی است برای فراگیری مفاهیم پایه‌ای تا جدیدترین پیشرفت‌های دانش یادگیری ماشین و هوش مصنوعی، با هدف به‌کارگیری آن در حل مسئله‌های زیست‌پزشکی.

درس پیش رو آموزش مباحث یادگیری ماشین و یادگیری ژرف به همراه کاربرد این تکنیک‌ها در مباحث بیوانفورماتیک می‌باشد. شما در این دوره با بسیاری از مفاهیم تئوری هوش مصنوعی آشنا خواهید شد و به‌صورت عملی با زبان Python، کتابخانه‌های معروف یادگیری ماشین در بیوانفورماتیک و یادگیری ژرف آشنا خواهید شد. این درس بدان جهت با سایر دوره‌های یادگیری ماشین تفاوت دارد که داده‌های زیست‌پزشکی در بسیاری موارد تفاوت عمده‌ای با داده‌های مورد استفاده در سایر شاخه‌های یادگیری ماشین دارند. در هر دو جلسه‌ی متوالی از درس، جلسه اول به مباحث تئوری و نظری بخصوص مباحث هوش مصنوعی و یادگیری ماشین پرداخته می‌شود و در جلسه دوم به‌صورت عملی (برنامه‌نویسی Python و استفاده از کتابخانه‌های یادگیری ماشین) به حل مسائل با الگوریتم‌ها و روش‌های تدریس‌شده پرداخته می‌شود. به‌منظور ارائه کیفیت مناسب تصویری، بخش‌های عملی مستقیماً از دسکتاپ کامپیوتر مدرس ضبط گردیده‌است. همین‌طور دفترچه‌های درس از سایت زیر قابل دسترس می‌باشد.

http://ce.sharif.edu/courses/98-99/2/ce550-1/index.php