Курс Nestarenie для начинающих ученых
Для тех, кто хочет разбираться в биологии старения с целью проведения исследований в области увеличения продолжительности жизни человека и разработки моделей ИИ для увеличения продолжительности жизни.
Автор курса – Веремеенко Дмитрий, сфера профессиональной деятельности – data science в медицине, основатель исследовательского проекта, изучающего терапии, направленные на увеличение продолжительности жизни человека, сооснователь сервиса для продления жизни, основатель форума о продлении жизни Nestarenie Camp, со-автор книги “Бонусные годы“, обладатель премии Leaders Club 2021 года за вклад в развитие антивозрастной медицины, создатель справочного блога о старении человека (nestarenie.ru), WhatsApp: +7 925 9244328 Dmitriy-tae@yandex.ru
Требования:
1. Отсутствие страха перед математикой и программированием.
2. Выполнение домашних заданий ко всем урокам.
3. Наличие Microsoft Excel, PowerPoint, Word, а остальное установим в процессе.
4. Выполнять домашние задания, либо на Microsoft Word, либо Excel, либо PowerPoint, а также в других программах. После выполнения домашнего задания файлы следует сохранить в формате pdf (или .ipynb) и выслать на проверку (успеваемость). Также в процессе работы будем использовать Python, Jupyter Notebook, Google Colab, Terminal – установим и разберемся в этом в процессе.
5. Уроки будут on-line, а также в записи
Старт с 26 февраля 2024 года, длительность – до сентября 2025 года
Стоимость: бесплатно. Количество мест – 90, а также 20 мест в резерве для студентов из страны, где я проживаю.
На сегодня мест не осталось, но места могут освобождаться.
Я решил предоставлять образовательный контент бесплатно, потому что верю, что процесс обучения других является мощным инструментом для углубления собственных знаний. Существует мудрость, гласящая: чтобы досконально разобраться в теме, попробуй объяснить её другим. Преподавание заставляет меня вникать в тонкости предмета, а студенты, выступая в роли критиков и рецензентов, помогают мне улучшать и развивать мои знания. Таким образом, наши уроки становятся взаимно обогащающим процессом.
Помимо этого, одной из моих целей является подготовка квалифицированных специалистов для участия в наших проектах.
Содержание курса
- Строение клетки, ДНК, РНК, рибосомы, белок, эпигенетика, коллаген, митохондрии, нокауты генов, гормон роста, инсулин подобный фактор роста 1-го типа, mTOR, понятие рецепторов гормонов, внеклеточный матрикс, стволовые клетки, жесткость артерий, гены, матриксные металлопротеиназы, тимус, B-клетки (B-лимфоциты) иммунитета, Т-клетки (Т-лимфоциты) иммунитета.
- Генеральная совокупность
- Выборка
- Вероятность
- Логарифм
- и др.
- Математический подход к старению, нестарению и омоложению.
- Использование Закона Гомпертца.
- Анализ времени удвоения вероятности смерти.
- Смертность в контексте МКБ.
- Ректангуляризация кривых выживания.
- Исследование кривых смертности.
- Ограничения Закона Гомпертца.
- Замедление скорости старения.
- Отличия в механизмах старения у людей и животных.
- Недостоверность доклинических исследований.
- Застой в биологии старения.
- Разрыв между экспериментами и мнениями экспертов.
- Разработка часов биологического возраста.
- Старение как квазипрограмма.
- Влияние эволюции на темпы старения у различных видов.
- Пересмотр представлений о старении голого землекопа.
- Гренландская акула как объект для изучения экстремального долголетия.
- Ограничения продления жизни, связанные с износом эластина.
- Использование параллельного переноса и ректангуляризации для определения биологического возраста.
- Роль рандомизированных контролируемых исследований в изучении старения.
- Анализ отношения опасности в исследованиях долголетия.
- Преобразование риска в эквивалентные годы жизни.
- Потенциальное увеличение ожидаемой продолжительности жизни человека.
- Причины развития атеросклероза.
- Как снизить риск атеросклероза до пренебрежимо низкого уровня.
- Перспективы медицины в области атеросклероза.
- Установка и использование ChatGPT4
- Задание на лето – поиск данных
- Математическое моделирование для управления рисками смертности и продления жизни до 150 лет.
- Технологии восстановления эластина для замедления старения.
- Разработка искусственных органов
- Таргетная терапия для устранения клональной экспансии и связанных с ней заболеваний.
- Генная терапия для лечения болезни Паркинсона.
- Разработка модели машинного обучения для прогнозирования смертности и определения факторов, влияющих на продление жизни человека.
- Сбор и обработка данных для обучения искусственного интеллекта в области долголетия.
- ИИ и компьютерный интеллект управляют долголетием человека
- Пациент и врач не способны к объективной оценке
- Почему связь не является причиной
- Никому не доверяем, все проверяем
- Нахождение размера выборки
- Математическое ожидание и среднее значение выборки
- Генеральная совокупность и выборочная совокупность
- Среднее квадратическое отклонение
- Надежность
- K-критерий оценки
- Критерий оценки Фишера Z
- Нахождение доверительного интервала
- Рандомизация
- Проспективность и ретроспективность
- Основные критерии, свидетельствующие об успешности эксперимента
Каникулы
Урок 10. Язык программирования Python для машинного обучения - среда для работы 14 октября 2024
- Среда для работы
Урок 11. Знакомство с Python (часть 1) - 17 октября 2024 (20:00 по Москве)
Знакомство с Python
Урок 12. Знакомство с Python (часть 2) - 21 октября 2024 (20:00 по Москве)
- Знакомство с Python
Урок 13. Встроенные типы и операции с ними в Python (часть 1) - 24 октября 2024 (20:00 по Москве)
- Встроенные типы и операции с ними – часть 1
Урок 14. Встроенные типы и операции с ними в Python (часть 2) - 28 октября 2024 (20:00 по Москве)
- Встроенные типы и операции с ними – часть 2
Урок 15. Функции в Python (часть 1) - 4 ноября 2024 (20:00 по Москве)
- Функции – часть 1
Урок 16. Функции в Python (часть 2) - 11 ноября 2024 (20:00 по Москве)
- Функции – часть 2
Урок 17a. Полезные инструменты в Python (часть 1) - 18 ноября 2024 (20:00 по Москве)
- Полезные инструменты – часть 1
Урок 17b. Полезные инструменты в Python (часть 2) - 25 ноября 2024 (20:00 по Москве)
- Полезные инструменты – часть 2
Урок 18a. Объектно-ориентированное программирование (часть 1) - 2 декабря 2024 (20:00 по Москве)
- Объектно-ориентированное программирование (часть 1)
Урок 18b. Объектно-ориентированное программирование (часть 2) - 9 декабря 2024 (20:00 по Москве)
- Объектно-ориентированное программирование (часть 2)
Введение в машинное обучение 16 декабря 2024 - 17 марта 202
- 16 декабря Урок 21. Структура машинного обучения
- 23 декабря Урок 22. Подготовка данных, определение целевой переменной, разделение на обучающую и тестовую выборки
- 6 января Урок 23. Статистический анализ, методы визуализации
- 13 января Урок 24. Обработка пропусков и выбросов, построение дополнительных признаков
- 20 января Урок 25. Изменение типов данных (float, int), категориальные и непрерывные признаки, классификация и регрессия, отбор признаков, нормализация и стандартизация
- 27 января Урок 26. Модели для задач классификации (логистическая регрессия, SVM, KNN, деревья решений, random forest, градиентный бустинг, naive bayes)
- 3 февраля Урок 27. Метрики для задач классификации (accuracy, precision, recall, F1-score, ROC-AUC), методы предупреждения переобучения для классификации (regularization, dropout, cross-validation, подбор модели, размер выборки), гиперпараметры для задач классификации (количество деревьев, глубина дерева, learning rate, параметры регуляризации)
- 10 февраля Урок 28. Модели для задач регрессии (линейная регрессия, полиномиальная регрессия, lasso, ridge, elasticNet, random forest, градиентный бустинг)
- 17 февраля Урок 29. Метрики для задач регрессии (MAE, MSE, RMSE, R^2), методы предупреждения переобучения для регрессии (regularization, cross-validation, подбор модели, размер выборки), гиперпараметры для задач регрессии (alpha, L1_ratio, параметры регуляризации)
- 24 февраля Урок 30. Методы изменения размерности: PCA, LDA, t-SNE, Feature Selection
- 3 марта Урок 31. Практическое применение задач регрессии (оценка возраста здоровья)
- 10 марта Урок 32. Практическое применение задач классификации (калькулятор рисков, вероятности, инцидентности, заболеваемости)
Искусственный интеллект для обработки естественного языка
- Обработка текста
- Создание признакового пространства
- Embedding word2vec fasttext
- Тематическое моделирование. EM-алгоритм
- Part-of-Speech разметка, NER, извлечение отношений
- Классификация текста. Анализ тональности текста
- Сверточные нейронные сети для анализа текста
- Рекуррентные нейронные сети RNN LSTM GRU
- Языковое моделирование
- Машинный перевод. Модель seq2seq и механизм внимания
- Модель Transformer-1
- Модель Transformer-2
- Модель BERT и GPT
- Transfer learnin
- NLP: загрузка библиотек, згрузка и чтение данных, загрузка языковой модели
- NLP: стоп-слова, пробелы и лишние символы, пунктуация и нижний регистр
- NLP: токенизация, лемматизация, предобученные модели, векторизация
- NLP: методы (ближайщие соседи, косинусовое сходство и др)
- NLP: Практическое применение
- Закрепление знаний по структуре машинного обучения и итоговый тест
-
Молекулярная биология и генетика на Biopython
- База данных NCBI gene, вырезание гена из хромосомы с помощью Biopython
- От гена до белка, синтез белка на Biopython
- Мутации и база данных NCBI SNP. (genome_Dmitrii_Veremeenko_v4_Full_20170427075822.txt)
- Лабораторные методы: получение ДНК и белков, ПЦР, гель-электрофорез, база данных NCBI protein, structure, PDB.
- Секвенирование
- Итоговый проект
Введение в анализ данных в медицине
- Обзор профессии и вакансии
- Источники медицинских данных
- Data Science в разработке и тестировании лекарств
- Клинические исследования
- Персонифицированная и предиктивная медицина
- Типы медицинских данных
Прикладная статистика в медицине
- Планирование исследований
- Описательная статистика и распределение вероятностей
- Популярные параметрические и непараметрические тесты: введение
- Тесты для 3 и более групп сравнения, post-hoc тестирование
- Пермутационный тест, бутстрап анализ и метод максимального правдоподобия
- Регрессионные модели
- Анализ выживаемости: введение
- Консультация по итоговому проекту. Тема проекта – определение эффективности препарата для лечения рака
Прогнозирование и диагностика в медицине с помощью машинного обучения
- Классификация воображения движений
- Датасет по вызванным потенциалам
- Установка и импорт пакетов
- Прогнозирование давлений путем инвертирования функции ПИД-регуляторов
Computer Vision для медицинских изображений
- Классификация воображения движений: методы лучевой диагностики, рабочий процесс анализа медицинских изображений, форматы медицинских изображений.
- Классификация пневмоторакса
- Детекция Covid-пневмонии н Rg-снимках органов грудной клетки
- Сегментация предсердия на МРТ-изображениях грудной клетки
Работа в проекте Nestarenie Global
Обязанности:
- Разработка моделей увеличения ожидаемой продолжительности жизни
- Поиск новых генов, ассоциируемых с долголетием
- Разработка инструментов персонифицированной и предиктивной медицины для продления жизни
- Data Science в разработке и тестировании лекарств
- Аналитика в биологии старения
3 комментария
– Что думаете по поводу английского языка?
– Важен ли он для изучения медицины и науки долголетия?
– Или можно уже обойтись Гугл или Яндекс переводчиками?
– Возникает вопрос: Зачем его учить, если нейросети переводят быстро и качественно?
Как думаете, китайский язык в научной сфере скоро вытеснит английский или нет?
Рекомендует только врач. Я не врач, но делюсь данными исследований.
Отрезайте у ссылок http:
В принципе языки ИИ переводит хорошо.
Пишите здесь комментарии