VP - Umělé neuronové sítě v biomedicínském výzkumu - DV01152

• Anglický název: OS - Artificial neural networks in biomedical research
• Zajišťuje: Ústav bioinformatiky (13-831)
• Fakulta: 2. lékařská fakulta
• Platnost: od 2023
• Semestr: zimní
• Body: 3
• E-Kredity: 3
• Způsob provedení zkoušky: zimní s.:
• Rozsah, examinace: zimní s.:0/20, Z [HS]
• Počet míst: neurčen / 10 (10)
• Minimální obsazenost: 3
• 4EU+: ne
• Virtuální mobilita / počet míst pro virtuální mobilitu: ne
• Stav předmětu: vyučován
• Jazyk výuky: čeština
• Způsob výuky: prezenční
• Způsob výuky: prezenční
• Poznámka: předmět je možno zapsat mimo plán; povolen pro zápis po webu; při zápisu přednost, je-li ve stud. plánu
• Garant: Mgr. Jan Stuchlý, Ph.D.

Anotace

Poslední úprava: Stanislava Palowska (13.09.2021)

Předmět je určen studentům, kteří se chtějí seznámit s moderními technikami strojového učení a jejich aplikacemi v biomedicínském výzkumu. V uplynulých zhruba 10 letech se techniky "hlubokého učení" (deep learning) prosadily napříč obory a v posledních letech se navíc staly díky vývoji software s vysokou úrovní abstrakce (např. modul Keras v jazyce python) přístupnými pro vědce a specialisty bez rozsáhlých technických znalostí. Cílem tohoto jednosemestrálního kurzu je i) vyložit základní myšlenky hlubokého učení, ii) vysvětlit praktickou problematiku trénování modelu, iii) vyzkoušet si tvorbu modelů v prostředí Tensorflow/Keras a iv) aplikovat vyložené na medicínsky zajímavé problémy. Hloubka a rozsah těchto čtyř okruhů bude do značné míry záviset na odborném zájmu posluchačů a přes relativně technický sylabus (viz níže) bude kladen důraz zejména na abstrakci od technických detailů a aplikace na praktické problémy.

Podmínky zakončení předmětu

Poslední úprava: Mgr. Jan Stuchlý, Ph.D. (28.08.2023)

Aktivní účast na seminářích, vyřešení 2 domácích úkolů.

Požadavky ke zkoušce

Poslední úprava: Stanislava Palowska (13.09.2021)

žádné požadavky, předmět zakončen zápočtem

Sylabus

Poslední úprava: Mgr. Jan Stuchlý, Ph.D. (25.07.2023)

Předmět je určen studentům, kteří se chtějí seznámit s moderními technikami strojového učení a jejich aplikacemi v biomedicínském výzkumu. V uplynulých zhruba 10 letech se techniky "hlubokého učení" (deep learning) prosadily napříč obory a posledních letech se navíc staly díky vývoji software s vysokou úrovní abstrakce (např. modul Keras v jazyce python) přístupnými pro vědce a specialisty bez rozsáhlých technických znalostí. Cílem tohoto jednosemestrálního kurzu je i) vyložit základní myšlenky hlubokého učení, ii) vysvětlit praktickou problematiku trénování modelu, iii) vyzkoušet si tvorbu modelů v prostředí Tensorflow/Keras a iv) aplikovat vyložené na medicínsky zajímavé problémy. Hloubka a rozsah těchto čtyř okruhů bude do značné míry záviset na odborném zájmu posluchačů a přes relativně technický sylabus (viz níže) bude kladen důraz zejména na abstrakci od technických detailů a aplikace na praktické problémy.

Základní témata:

okruh i) Feedforward neural network, základní zapojení uzlů (husté zapojení, konvoluční vrstvy), aktivační funkce, základní typy modelů (klasifikační modely, autoencodery, supervised/unsupervised,...), representation learning, transformery a velké jazykové modely

okruh ii) trénování modelu, stochastic gradient descent, overfitting a regularizace

okruh iii) základy modulu Keras (Sequential model, functional API)

okruh iv) rozsáhlá mnohodimenzionální single-cell data (průtoková/hmotnostní cytometrie, single-cell RNAseq), zpracování obrazu – vizualizace biologických dat, klasifikace vzorků, klasifikace buněčných populací, detekce znaků asociovaných s klinickým stavem,...

Rozšiřující partie:

okruh i) rekurentní neuronové sítě, attention mechanismy, deep generative models (generative adversarial networks),variační inference

okruh ii) základní koncepty optimalizace

okruh iii) model subclassing, custom training (gradient tape), integrace s jazykem R

okruh iv) podle zájmu posluchačů

prerekvizity: základy jazyka python - stačí opravdu jen základy (import modulů, definice funkce, indentace, přístup k atributům a metodám objektu - operátor ".", lists/dictionaries). Případně zkušenost s jakýmkoli jiným moderním skriptovacím/programovacím jazykem (např. R, C, C#, julia,…) – nezbytné základy jazyka python pak není problém dovysvětlit.