Syllabus
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.
Annotation
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.