BioNT - Anvendt maskinlæring for fiologiske data

Denne intensive workshop fokuserer på anvendelse af maskinlæringsteknikker på biologiske (og genomiske) data, og kombinerer teoretiske grundlag med praktisk kodningserfaring. Deltagerne vil arbejde med virkelige scenarier ved hjælp af Python-baserede værktøjer og rammer, der er kritiske for moderne bioinformatik.

Workshoppen er designet til livsvidenskabsfolk, bioinformatikere, dataanalytikere og andre, der arbejder med biologiske eller genomiske data. Det er også relevant for dem, der er nysgerrige på maskinlæring og ønsker at anvende det på biologiske forskningsspørgsmål.

Deltag i denne workshop hvis du er:

• Involveret i naturvidenskab, bioinformatik eller dataanalyese og arbejder med biologiske eller genomiske data
• Nysgerrig på hvordan maskinlæring kan anvendes på biologiske forskningsspørgsmål
• Ønsker at styrke dine Python-færdigheder til datahåndtering og analyse
• Interesseret i at implementere klassifikations-, regressions- eller klynge-modeller på virkelige datasæt
• Udforsker brugen af dyb læringsteknikker i bioinformatik
• Involveret i next-generation sequencing (NGS) workflows og ønsker at optimere dem med GPU-acceleration
• Forpligtet til at bygge reproducerbare og skalerbare analyse pipelines ved hjælp af containerteknologi
• Ivrig efter at forstå og anvende bedste praksis i model evaluering, tuning og validering
• og ikke mindst Ny til maskinlæring og søger en praktisk, struktureret introduktion

Struktur af workshoppen

Modul 1 (valgfrit)

Dette modul giver et solidt fundament i videnskabelig computing med Python. Over to halvdags sessioner vil deltagerne udforske essentielle datahåndteringsteknikker ved hjælp af NumPy og Pandas - værktøjer, der er bredt anvendt til manipulation og analyse af biologiske data.

Modul 2 (obligatorisk)

Modulet strækker sig over fem hele dage og begynder med introduktion til kernekoncepter i maskinlæring. På den første dag vil deltagerne blive introduceret til usuperviseret læring og implementere klyngealgoritmer og dimensionreduktions teknikker ved hjælp af virkelige genomdata. Workshoppen dykker derefter ned i superviseret læring med fokus på klassifikation og regression, herunder logistisk regression og træbaserede metoder. Deltagerne vil konstruere og evaluere ML-modeller, udføre krydsvalidering og finjustere hyperparametre i praktiske sessioner skræddersyet til kræftgenomdata. Senere sessioner introducerer dyb læring koncepter og PyTorch rammeværket. Deltagerne vil lære at bygge og træne simple neurale netværk og udforske et dyb læring-baseret bioinformatikværktøj brugt i genomvariant kald. Den sidste dag introducerer accelereret genomik gennem GPU-drevne workflows. Deltagerne vil lære om GPU-teknologi og hvordan man bruger containeriserede bioinformatikværktøjer. De vil også implementere højtydende, GPU-accelererede pipelines ved hjælp af Parabricks.

Bemærk: Registrering er kun nødvendig for deltagelse i Modul 2. BioNT kan rumme 40 deltagere til Modul 2 på grund af logistiske begrænsninger, herunder adgang til virtuelle maskiner og GPU'er. Modul 1 er valgfrit og kræver ikke registrering.

Læs mere og find tilmelding

Modul 1: 27. maj 2025 - 28. maj 2025, 09:00-12:00 CEST (ingen registrering nødvendig)

Modul 2: 2. juni 2025 - 6. juni 2025, 09:00-16:00 CEST

Registreringsfrist: 19. maj 2025

Lokation: Online

For at tilmelde sig Modul 2, skal man registrere sig inden 19. maj 2025. Modul 1 kræver ingen registrering og er valgfrit.