×
ribbon

آموزش رایگان یادگیری ماشین برای بیوانفورماتیک

مدرس:دانشگاه صنعتی شریف

علی شریفی زارچیمحمدحسین رهبان

درس یادگیری ماشین برای بیوانفورماتیک از مجموعه دروس آموزش هوش مصنوعی در نیم سال دوم سال تحصیلی 99-98... بیشتر
4.7 (24)
5 دیدگاه
12,586دانشجو
37ساعت
سرفصل‌ها
مقدماتی سطح دوره

اشتراک مکتب‌پلاس

خرید اشتراک

با خرید اشتراک مکتب‌پلاس، علاوه بر این دوره، به بیش از ۴،۰۰۰ دوره دیگر دسترسی خواهید داشت.

دسترسی به تمام دوره‌هابیش از ۴،۰۰۰ دوره
محتوای دوره
سرفصل‌ها
توضیحات دوره
دیدگاه کاربران
درباره مدرس

این دوره شامل:

37 ساعت ویدئو

دسترسی مادام‌العمر به محتوای دوره

سرفصل‌های دوره

1 فصل32 جلسه37 ساعت ویدیو
یادگیری ماشین برای بیوانفورماتیک
  جلسه اول: مفاهیم مقدماتی (بخش اول)
78:12
  جلسه دوم: مفاهیم مقدماتی (بخش دوم)
76:36
  جلسه سوم: مفاهیم مقدماتی (بخش سوم)
76:36
  جلسه چهارم: تمرین عملی روی داده‌های قلبی
84:47
  جلسه پنجم: روش k-نزدیک‌ترین همسایه
71:09
  جلسه ششم: دسته‌بندی پرسپترون و روش‌های خطی
71:12
  جلسه هفتم: انتخاب ویژگی (Feature Selection)، استخراج ویژگی (Feature Extraction)، Cross-Validation ،Classification
99:28
  جلسه هشتم: ماشینِ بردار پشتیبان
72:37
  جلسه نهم: پیاده‌سازی پرسپترون، Mini-Batch و Learning Rate
69:24
  جلسه دهم: ادامه‌ی ماشین‌های بردار پشتیبان
75:41
  جلسه یازدهم: یادگیری مشارکتی
72:35
  جلسه دوازدهم: تحلیل داده‌های بیان ژن، کاهش ابعاد و PCA
81:14
  جلسه سیزدهم: انتخاب ویژگی (Feature Selection)
77:06
  جلسه چهاردهم: کاهش ویژگی (PCA)
66:42
  جلسه پانزدهم: خوشه‌بندی (k-means)
64:09
  جلسه شانزدهم: خوشه‌بندی سلسله‌مراتبی و k-means در R
64:36
  جلسه هفدهم: ادامه‌ی خوشه‌بندی، الگوریتم EM
57:53
  جلسه هجدهم: مروری بر الگوریتم خوشه‌بندی سلسله‌مراتبی و ضریب همبستگی Pearson و Spearman
52:10
  جلسه نوزدهم: ادامه‌ی توزیع ترکیبی گوسی
55:52
  جلسه بیستم: الگوریتم Expectation–maximization و کاربرد آن در Strand Sequencing
71:48
  جلسه بیست و یکم: مدل‌های مخفی مارکوف (HMM)
61:32
  جلسه بیست و دوم: کاهش ابعاد به روش t-SNE
75:17
  جلسه بیست و سوم: شبکه‌های عصبی چندلایه (MLP)
62:26
  جلسه بیست و چهارم: Scikit-learn
66:36
  جلسه بیست و پنجم: شبکه‌های پیچشی (CNN)
53:29
  جلسه بیست و ششم: ادامه‌ی آموزش شبکه‌ها - افزایش عمق شبکه
69:21
  جلسه بیست و هفتم: Autoencoder
73:55
  جلسه بیست و هشتم: شبکه‌های ResNet - خودکدگذار (Autoencoder)
59:59
  جلسه بیست و نهم: شبکه‌های مولد تخاصمی یا Generative Adversarial Networks (GAN)
75:09
  جلسه سی‌ام: مباحث نظری در شبکه‌های عمیق - شبکه‌های VAE
67:44
  جلسه سی و یکم: یادگیری خودنظارتی (Self-supervised Learning) و تعبیه‌ی کلمه (Word Embedding)
62:22
  جلسه سی و دوم: ادامه‌ی شبکه‌های VAE - شبکه‌های بازگشتی
64:27

توضیحات دوره

درس یادگیری ماشین برای بیوانفورماتیک از مجموعه دروس آموزش هوش مصنوعی 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

دیدگاه کاربران

4.7

بر اساس امتیاز 24 دانشجو

1
2
3
4
5

دانشجوی دوره

2 سال پیش

5

بسیاربسیار عالی است. امیدوارم آقای دکتر شریفی و کلیه دست اندرکاران مکتب خونه موفق، تندرست و پایدار باشند.

دانشجوی دوره

5 سال پیش

5

سلام وقت بخیر از زحمات شما بسیار تشکر لطف کنید از دکتر شریفی بیوانفورماتیک در حوزه زیست شناسی کارهای جدیدتر اگر دارید بگذارید ممنون میشم

صادق خسروی

5 سال پیش

5

بدون شک دکتر رهبان و شریفی از بهترینا ها هستند و دوره یادگیری ماشین این دو استاد عزیز جزء بهترین دوره هایی بوده که تا حالا تو مکتب خونه دیدم. اگر ممکن هست از دکتر رهبان دوره های بیشتری را ضبط کنید. با تشکر

راضیه رجائی

6 سال پیش

5

بسم الله الرحمن الرحیم باسلام و احترام دوره بسیار عالی ای است. خداوند به اساتید و دست اندرکاران این دوره خیر کثیر و علم و توفیق روزافزون دهد. باتشکر فراوان ان تنصروا الله ینصرکم و من الله التوفیق یاحق

دانشجوی دوره

5 سال پیش

4

سلام؛ از اینکه زحمت می کشید و دوره های باکیفیت تهیه میکنید بی نهایت سپاس گذارم. فقط اگر ممکن است دوره کنترل چند متغیره هم تهیه کنید چون یکی از درس های پایه ارشد کنترل است. از شما ممنونم

10دوره
81,002دانشجو
980نظر و امتیاز

علی شریفی زارچی دانش‌آموخته کارشناسی و کارشناسی ارشد مهندسی کامپیوتر از دانشگاه صنعتی شریف و دکتری بیوانفورماتیک از دانشگاه تهران است.

وی دوره‌های پژوهشی و پسادکتری را در Max Planck Institute آلمان و Colorado State University آمریکا پشت سر گذاشته‌است.

او از سال ۱۳۹۵ به عنوان عضو هیأت علمی دانشکده‌ی مهندسی کامپیوتر دانشگاه صنعتی شریف مشغول به کار است.

زمینه‌های تحقیقاتی مورد علاقه ایشان به کارگیری الگوریتم و هوش مصنوعی در بیوانفورماتیک و تحلیل داده‌های زیست‌پزشکی است.

4دوره
27,880دانشجو
68نظر و امتیاز

دکتر محمد‌حسین رهبان یکی از استادیاران دانشکده مهندسی کامپیوتر دانشگاه شریف است. زمینه اصلی تحقیقاتی ایشان شامل یادگیری ماشین خصمانه و تفسیرپذیر، یادگیری متغیرهای نهان، و زیست‌شناسی محاسباتی است. به خصوص، ایشان اخیرا به تحقیق در زمینه کاربرد یادگیری ماشین در آنالیز داده سنجه‌های زیست‌شناسی توان بالا مبتنی بر تصویر مشغول شده‌اند. تحقیقات ایشان در دوره پسادکترا در موسسه برود مرتبط با هاروارد و ام آی تی، منجر به کشف ارتباط بین مکانیزم‌های دخیل در سرطان، و داروهایی که این مکانیزم‌ها را کنترل می‌کنند شده‌است.

دوره‌های مشابه

دیگر دوره‌های علی شریفی زارچی

سوالات پرتکرار

آیا ممکن است برخی جلسات یک درس ناقص باشند؟

معمولا تمامی جلسات هر درس به‌طور کامل ضبط می‌شوند؛ اما گاهی به دلیل برخی ناهماهنگی‌ها ممکن است یک یا چند جلسه ضبط نشده باشد. جزئیات این موارد در توضیحات هر درس درج شده است.

اگر لینک دانلود یا پخش ویدئو مشکل داشت، چه کاری باید انجام داد؟

در صورت مواجهه با هرگونه مشکل در دانلود یا پخش ویدئو، می‌توانید از طریق صفحه ارتباط با ما اطلاع دهید تا تیم پشتیبانی به‌سرعت مشکل را بررسی و رفع کند.

آیا می‌توان ویدئوهای یک درس را به‌صورت سی‌دی یا دی‌وی‌دی از شما تهیه کرد؟

در حال حاضر امکان ارسال دروس به‌صورت سی‌دی یا دی‌وی‌دی وجود ندارد و همه محتواها به شکل آنلاین ارائه می‌شوند.