Deep learning in life science 1000-2M23DLS

Wykłady wstępne:
1. Podstawy głębokiego uczenia maszynowego
2. Sieci konwolucyjne i rekurencyjne
3. Auto-enkodery klasyczne i wariacyjne
4. Transformery

Genomika:
5. Transformery i RNN w analizie sekwencji genomowych
6. Modele DL integracji danych wielomodalnych
7. VAE w genomice pojedyńczych komórek

Struktura białek:
8. Alphafold, EMSfold do przewidywania struktury białek
9. modele RNN, CNNdo analizy topologii biopolimerów
10. modele DL dla predykcji interakcji ligand-białko
11. Modele dyfuzyjne dla projektowania białek

analiza obrazów biomedycznych:
12. Wstęp do DL w analizie obrazu
13. Architektury DL do próbkowania makro-molekularnego
14. DL w segmentacji obrazów

Przedmiot zaliczany na podstawie prac domowych zadawanych na laboratoriuach. Najlepsi studenci mają możliwość wyjazdu na hackathon do Heidelberga w czerwcu.