全球名校AI课程库（29）| MIT麻省理工 · 面向生命科学的深度学习课程『Deep Learning in the Life Scienc』

6.874; Computational Systems Biology: Deep Learning in the Life Sciences; 面向生命科学的深度学习

🏆 课程学习中心 | 🚧 AI生物医疗课程合辑 | 🌍 课程主页 | 📺 中英字幕视频 | 🚀 项目代码解析

课程介绍

MIT 6.874 是全球顶校麻省理工 MIT 开设的生命科学与计算机科学的交叉专业课程。课程广泛地介绍了基因组学、生命科学领域中，机器学习/深度学习的基础知识和前沿挑战；并使用深度学习和经典机器学习方法来解决关键问题。

课程帮助学生了解该领域面临的关键问题与各种解决方案，能够评估各方案的效果与局限性，并在课程结束后参与独立项目，为实际挑战性问题创建新的解决方案。因此，学生将使用 Python 3 和 TensorFlow 进行编程。

课程学习需要具备一定的知识储备：Calculus / 微积分、Linear Algebra / 线性代数、Probability / 概率论、Programming / 编程、Introductory Biology / 生物学基础。

对于生命科学感兴趣，希望通过AI驱动领域研究发现的同学，通过该课程可以收获前沿完备的知识储备，获得创新与应用的思路方法。

课程由 David Gifford 与 Manolis Kellis 联合创建。本期课程（2021年春）授课讲师为 Manolis Kellis。

Manolis Kellis 是麻省理工学院 MIT 计算生物学组负责人，MIT Broad 研究所成员，哈佛计算机科学与人工智能实验室首席研究员。其研究方向是通过大规模功能和比较基因组学数据集的计算集成来进一步了解人类基因组。

课程主题

课程官网发布了课程主题，ShowMeAI 对其进行了翻译。

Deep Learning in Life Sciences（生命科学中的深度学习）
Machine Learning Foundations（机器学习基础）
CNNs Convolutional Neural Networks（CNNs卷积神经网络）
Recurrent Neural Networks RNNs, Graph Neural Networks GNNs, Long Short Term Memory LSTMs（循环神经网络 RNN、图神经网络 GNN、长短期记忆 LSTM）
Interpretable Deep Learning（可解释的深度学习）
Generative Models, Adversarial Networks GANs, Variational Autoencoders VAEs, Representation Learning（生成模型、对抗性网络 GAN、变分自动编码器 VAE、表示学习）
Regulatory Genomics - Deep Learning in Life Sciences（调节基因组学）
Deep Learning for Regulatory Genomics - Regulator binding, Transcription Factors TFs（调节基因组学的深度学习：调节器结合、转录因子TFs）
Gene Expression Prediction（基因表达预测）
Single Cell Genomics（单细胞基因组学）
Dimensionality Reduction（降维）
Disease Circuitry Dissection GWAS（疾病电路解剖GWAS）
GWAS mechanism（GWAS机制）
Systems Genetics（系统遗传学）
Graph Neural Networks（图神经网络）
AI for Drug Design（AI 用于药物设计）
Deep Learning for Protein Folding（蛋白质折叠的深度学习）
Machine Learning for Pathology（病理学机器学习）
Deep Learning for Cell Imaging Segmentation（细胞成像分割的深度学习）
Deep Learning Image Registration and Analysis（深度学习图像配准与分析）
Electronic health records（电子健康档案）
Deep Learning and Neuroscience（深度学习与神经科学）