You are not allowed to perform this action

یادگیری ماشین برای بیوانفورماتیک

Machine Learning for Bioinformatics

شماره درس: ۴۰۵۵۰ تعداد واحد: ۳
مقطع: کارشناسی ارشد نوع درس: نظری
پیش‌نیاز: – هم‌نیاز: –

اهداف درس

با توجه به افزایش حجم و پیچیدگی داده‌ها در بیوانفورماتیک، استفاده از روش‌های نوین تحلیل داده، که قابلیت یادگیری و کشف الگوهای موجود در داده را دارند، اجتناب ناپذیر است. هدف از این درس آشنایی با مفاهیم و روش‌های یادگیری ماشین از نقطه نظر کاربردی و با تاکید روی حل مسائل بیوانفورماتیک است. به صورت خاص، دانشجو با گذراندن این درس مهارت اعمال روش‌های یادگیری برای حل چالش‌های موجود در بیوانفورماتیک، به تناسب نوع مسئله و داده‌ها را کسب‌ می‌کند.

ریز مواد

  • مفاهیم مقدماتی (۳ جلسه)
    • معنای یادگیری و انواع مسئله‌های یادگیری
    • ارزیابی یک سیستم یادگیر (داده‌های آموزش، تست، ارزیابی)، معیار صحت و دقت
    • قدرت تعمیم، بیش برازش و اعتبار سنجی متقابل k-fold cross validation
    • محدودیت‌های یادگیری (نرخ خطای بیز)
    • روش‌های بهینه سازی (نزول گرادیان)
    • مصالحه سوگیری/واریانس (bias/variance trade-off)
    • روش‌های مقدماتی (مانند Naive Bayes، k-NN، خطی و پرسپترون)
  • مسئله دسته بندی (۷ جلسه)
    • ماشین بردار پشتیبان (support vector machine)
    • روش‌های یادگیری جمعی (ensemble learning)
    • شبکه‌های چند لایه پرسپترون و پیچشی (convolutional neural networks)
  • مسئله کاهش ابعاد (۶ جلسه)
    • تحلیل مولفه اساسی (principal component analysis) و فاکتورگیری ماتریس (matrix factorization)
    • روش‌های انتخاب متغیر (variable selection)
    • خود کد کننده‌ها (autoencoders)
    • روش tSNE
    • روش‌های تعبیه (embedding)
  • خوشه‌بندی (۳ جلسه)
    • روش k-means و روش‌های سلسله مراتبی (hierarchical)
    • بیشینه سازی امید ریاضی (expectation maximization) و مدل ترکیبی گوسی (Gaussian Mixture Model)
  • تحلیل داده‌های متوالی (۵ جلسه)
    • مدل مخفی مارکوف (Hidden Markov Models)
    • شبکه‌های ژرف بازگشتی (recurrent neural networks) و شبکه‌های transformer

مراجع

  1. H. Daumé III, A Course in Machine Learning, Self-published, 2017.
  2. Bishop, Pattern Recognition and Machine Learning, 2nd Edition, Springer, 2006.
  3. I. Goodfellow, Y. Bengio, and A. Courville, Deep Learning, MIT Press, 2016.