Введение в статистику и машинное обучение

Содержание

1 О курсе
- 1.1 Содержание дисциплины
- 1.2 Полезные ссылки
2 Преподаватели

О курсе

Курс читается для студентов 1-го курса ПМИ (ИИ360) во 2 модуле.

Лектор: Алексей Зайцев, Руководитель внешних академических исследований в блоке риски «Сбера»

Распределение часов по курсу: 28 часов в 2 модуле (14 часов лекций, 14 часов семинаров)

Цель курса «Введение в статистику и машинное обучение» — познакомить учащихся с основными методами статистики и машинного обучения, а также с ключевыми библиотеками Python (NumPy, Pandas, Matplotlib) для анализа данных. Программа охватывает теорию вероятностей, оценивание параметров, линейные и логистические модели, основы нейронных сетей и архитектуру Трансформер. Факультатив поможет подготовиться к исследовательским проектам и обязательным курсам по ML на втором курсе.

Задачи дисциплины:

Элемент маркированного списка

Погружение в основные библиотеки Python для работы с данными и построения визуализаций (NumPy, Pandas, Matplotlib);

Элемент маркированного списка

Применение теории вероятностей и статистических методов для анализа и интерпретации данных;

Элемент маркированного списка

Решение оптимизационных задач, характерных для машинного обучения, с использованием методов градиентного спуска;

Элемент маркированного списка

Применение линейных и логистических моделей для анализа и обработки данных в реальных задачах;

Элемент маркированного списка

Разработка и настройка нейронных сетей для анализа сложных данных, включая использование сверточных сетей, методов регуляризации и dropout;

Элемент маркированного списка

Реализация моделей на основе архитектуры Трансформеров с применением механизмов внимания.

Оценивание включает домашние задания, midterm-экзамен и устный финальный экзамен.

Содержание дисциплины

№	Раздел	Тема
1	Введение в Python для машинного обучения	Основы Python для машинного обучения Введение в библиотеки: NumPy, Pandas, Matplotlib Исследование данных и визуализация
2	Продолжение. Введение. Основы молекулярной биологии. Клетка, геном, белки, поток информации, генетический код. презентация	Генетический код, рамки считывания, biopython тетрадка
3	Организация геномов прокариот и эукариот. Гены и регуляторные элементы. Белок-кодирующие и РНК-кодирующие гены. Экзоны и интроны. Сплайсинг. Промоторы и энхансеры. презентация	UCSC genome browser. Геном человека. Строение генов. Треки консервативности, SNPs, структурных вариантов, повторов. Скачивание полного генома человека. Table browser. содержание
4	Продолжение. Организация геномов прокариот и эукариот. Гены и регуляторные элементы. Белок-кодирующие и РНК-кодирующие гены. Экзоны и интроны. Сплайсинг. Промоторы и энхансеры. презентация	Модели генов. Геномные браузеры.Table browser. таблица к заданию содержание
5	Молекулярная эволюция. Поиск схожих последовательностей. Алгоритм и программа BLAST. Статистика локального выравнивания. презентация	BLAST. содержание
6	Модели эволюции аминоклислотных последовательностей. Матрицы PAM и BLOSUM. презентация	BLAST.таблица к семинару Работа с bed файлами, bedtools. содержание
7	Алгоритмы попарного и множественного выравнивания последовательностей. Динамическое программирование. презентация	Закрепляем NW. Обсуждение ДЗ. Работа с bed файлами, bedtools. содержание