Bi9680en Artificial Intelligence in Biology, Chemistry, and Bioengineering

Přírodovědecká fakulta
podzim 2023
Rozsah
2/0/0. 2 kr. (příf plus uk plus > 4). Ukončení: zk.
Vyučující
Stanislav Mazurenko, PhD (přednášející)
Faraneh Haddadi (pomocník)
Ing. Pavel Kohout (pomocník)
Ing. Jan Velecký (pomocník)
Garance
prof. Mgr. Jiří Damborský, Dr.
Ústav experimentální biologie – Biologická sekce – Přírodovědecká fakulta
Kontaktní osoba: Stanislav Mazurenko, PhD
Dodavatelské pracoviště: Ústav experimentální biologie – Biologická sekce – Přírodovědecká fakulta
Rozvrh
St 16:00–17:50 B11/305
Předpoklady
During the course all the necessary information will be provided; however, a basic knowledge of biochemistry and high school mathematics is welcome.
Omezení zápisu do předmětu
Předmět je otevřen studentům libovolného oboru.
Cíle předmětu
(i) Introduce basic principles and concepts of Artificial Intelligence and Machine Learning; (ii) demonstrate applications of Machine Learning to tackle modern problems in biology, chemistry, and bioengineering; (iii) discuss data interpretation, major limitations, and ethical aspects of the methods.
Výstupy z učení
After completing the course, a student will be able to:
- identify and describe main principles of ML algorithms to solve regression, classification, and clustering problems;
- describe main steps in the design of ML predictors;
- identify major challenges in developing an efficient ML predictor and explain performance measures;
- analyze modern bioengineering problems in terms of ML applicability.
Osnova
  • 1. Modern bioengineering: data analysis perspective;
  • 2. Artificial Intelligence and Machine Learning: main types, examples, features, basic statistics;
  • 3. Unsupervised learning: clustering and principal component analysis;
  • 4. Supervised learning: main steps in the design of Machine Learning predictors;
  • 5. Classification algorithms: K-Nearest Neighbors, Bayesian Classifiers, Support-Vector Machines;
  • 6. Decision Trees and Random Forests;
  • 7. Linear, Logistic, and Partial Least Squares regressions;
  • 8. Neural Networks;
  • 9. Major challenges: overfitting and underfitting;
  • 10. ML in medicine and drug design;
  • 11. ML for genetics, genomics, and protein engineering;
  • 12. Ethics and ML.
Literatura
    doporučená literatura
  • WITTEN, I. H. a Eibe FRANK. Data mining : practical machine learning tools and techniques. 2nd ed. Amsterdam: Elsevier, 2005, xxxi, 525. ISBN 0120884070. info
  • MARSLAND, Stephen. Machine learning : an algorithmic perspective. Boca Raton: CRC Press, 2009, xvi, 390. ISBN 9781420067187. info
Výukové metody
Lectures, reading, a small homework project
Metody hodnocení
There will be a small project worth 5 points and a final exam in the form of a written test: 25 multiple-choice or open questions requiring short answers, for 30 mins; each correct answer awards 1 point. The grading is then as follows: 17-E, 19-D, 21-C, 24-B, 27-A. In the case of official restrictions, the exam will be conducted online via MS Teams.
Vyučovací jazyk
Angličtina
Navazující předměty
Další komentáře
Studijní materiály
Nachází se v prerekvizitách jiných předmětů
Předmět je zařazen také v obdobích podzim 2019, podzim 2020, podzim 2021, podzim 2022, podzim 2024.