دوره یادگیری ماشین در کشف دارو: مدل‌سازی و هدف‌گذاری وضعیت سلولی در سرطان همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری ماشین در کشف دارو: مدل‌سازی و هدف‌گذاری وضعیت سلولی در سرطان

موضوع کلی: علوم زیستی و پزشکی

موضوع میانی: مدل‌سازی محاسباتی در پزشکی

📋 سرفصل‌های دوره

• 1. مبانی یادگیری ماشین در زیست‌شناسی
• 2. مقدمه‌ای بر مدل‌سازی محاسباتی در پزشکی
• 3. کاربرد یادگیری ماشین در کشف دارو
• 4. مدل‌سازی وضعیت سلولی در سرطان
• 5. اصول اولیه زیست‌شناسی سلولی
• 6. مکانیسم‌های مولکولی سرطان
• 7. اصول ژنتیک مولکولی
• 8. اپی‌ژنتیک و سرطان
• 9. تکامل سلولی در سرطان
• 10. شناسایی اهداف دارویی
• 11. مدل‌سازی فارماکودینامیک
• 12. مدل‌سازی فارماکوکینتیک
• 13. اصول آمار و احتمالات در زیست‌شناسی
• 14. مقدمه‌ای بر یادگیری ماشین نظارت شده
• 15. طبقه‌بندی در زیست‌شناسی محاسباتی
• 16. رگرسیون در زیست‌شناسی محاسباتی
• 17. یادگیری ماشین بدون نظارت
• 18. خوشه‌بندی داده‌های زیستی
• 19. کاهش ابعاد در داده‌های زیستی
• 20. شبکه‌های عصبی مصنوعی
• 21. شبکه‌های عصبی کانولوشنی
• 22. شبکه‌های عصبی بازگشتی
• 23. یادگیری عمیق در کشف دارو
• 24. پردازش زبان طبیعی در ادبیات علمی
• 25. استخراج اطلاعات از مقالات علمی
• 26. مدل‌سازی مولکولی با یادگیری ماشین
• 27. شبیه‌سازی دینامیک مولکولی
• 28. پیش‌بینی ساختار پروتئین
• 29. طراحی دارو با یادگیری ماشین
• 30. غربالگری مجازی داروها
• 31. بهینه‌سازی ساختار مولکولی
• 32. یادگیری تقویتی در کشف دارو
• 33. مدل‌سازی مسیرهای سیگنالینگ سلولی
• 34. تحلیل داده‌های بیان ژن
• 35. تحلیل داده‌های پروتئومیکس
• 36. تحلیل داده‌های متابولومیکس
• 37. یادگیری ماشین در تشخیص سرطان
• 38. یادگیری ماشین در پیش‌بینی پاسخ به درمان
• 39. یادگیری ماشین در شخصی‌سازی درمان
• 40. مدل‌سازی پاسخ ایمنی به سرطان
• 41. طراحی واکسن‌های سرطان
• 42. مدل‌سازی میکروبیوم و سرطان
• 43. یادگیری ماشین در کشف داروهای ضد ویروسی
• 44. یادگیری ماشین در کشف داروهای ضد باکتریایی
• 45. مدل‌سازی بیماری‌های عفونی
• 46. یادگیری ماشین در اپیدمیولوژی
• 47. آمار زیستی و طراحی آزمایش
• 48. ارزیابی مدل‌های یادگیری ماشین
• 49. اعتبارسنجی مدل‌ها در زیست‌شناسی
• 50. تفسیرپذیری مدل‌های یادگیری ماشین
• 51. اخلاق در هوش مصنوعی پزشکی
• 52. حریم خصوصی داده‌های پزشکی
• 53. امنیت داده‌های زیستی
• 54. قوانین و مقررات در کشف دارو
• 55. مدیریت داده‌های بزرگ در زیست‌شناسی
• 56. پلتفرم‌های محاسباتی در زیست‌شناسی
• 57. محاسبات ابری برای تحقیقات زیستی
• 58. ابزارهای نرم‌افزاری برای یادگیری ماشین
• 59. زبان‌های برنامه‌نویسی در زیست‌شناسی محاسباتی
• 60. پایتون برای علم داده‌های زیستی
• 61. کتابخانه‌های یادگیری ماشین در پایتون
• 62. آموزش مدل‌های یادگیری ماشین
• 63. تنظیم ابرپارامترها در مدل‌ها
• 64. ارزیابی عملکرد طبقه‌بندی‌کننده‌ها
• 65. ارزیابی عملکرد رگرسیون‌کننده‌ها
• 66. تکنیک‌های پیش‌پردازش داده‌ها
• 67. مدیریت داده‌های پرت
• 68. مهندسی ویژگی در داده‌های زیستی
• 69. انتخاب ویژگی برای مدل‌ها
• 70. مدل‌های یادگیری ترکیبی
• 71. یادگیری انتقالی در زیست‌شناسی
• 72. یادگیری چندوظیفه‌ای در زیست‌شناسی
• 73. مدل‌سازی شبکه‌های زیستی
• 74. تحلیل شبکه بیان ژن
• 75. شناسایی ماژول‌های عملکردی در شبکه‌ها
• 76. مدل‌سازی بیماری‌های پیچیده
• 77. ژنتیک جمعیت و سرطان
• 78. مدل‌سازی اپیدمی‌های سرطان
• 79. یادگیری ماشین در داروسازی بالینی
• 80. مدل‌سازی اثربخشی دارو در جمعیت‌ها
• 81. ارزیابی ایمنی داروها
• 82. مدل‌سازی فعل و انفعالات دارویی
• 83. کشف داروهای جدید با رویکردهای ترکیبی
• 84. پیش‌بینی عوارض جانبی داروها
• 85. یادگیری ماشین در توسعه داروهای بیولوژیک
• 86. مدل‌سازی آنتی‌بادی‌های درمانی
• 87. یادگیری ماشین در ژن‌درمانی
• 88. مدل‌سازی ویرایش ژنوم
• 89. اصول طراحی آزمایش برای کشف دارو
• 90. آمار و احتمال در طراحی آزمایش
• 91. روش‌های نمونه‌گیری در تحقیقات زیستی
• 92. تحلیل آماری داده‌های بالینی
• 93. مقدمه‌ای بر هوش مصنوعی در سلامت
• 94. کاربردهای هوش مصنوعی در تشخیص بیماری
• 95. کاربردهای هوش مصنوعی در مدیریت بیماری
• 96. هوش مصنوعی و آینده پزشکی
• 97. مدل‌سازی پیش‌بینی‌کننده در سلامت
• 98. مدل‌سازی ریسک بیماری
• 99. مدل‌سازی سلامت عمومی