کتاب صوتی طراحی شبکه‌های عصبی عمیق برای پیش‌بینی و تحلیل ژنومیک

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره طراحی شبکه‌های عصبی عمیق برای پیش‌بینی و تحلیل ژنومیک

موضوع کلی: یادگیری عمیق

موضوع میانی: بیوانفورماتیک و یادگیری عمیق

📋 سرفصل‌های دوره

• 1. مقدمه بر ساختار داده‌های ژنومیک و نمایش آن
• 2. پیش‌پردازش و نرمال‌سازی توالی‌های DNA برای شبکه‌های عصبی
• 3. کدگذاری ویژگی‌های ژنومیک در قالب ورودی‌های عددی
• 4. معرفی معماری‌های پایه شبکه‌های عصبی در بیوانفورماتیک
• 5. شبکه‌های عصبی کانولوشنی (CNN) برای شناسایی الگوهای ژنومیک
• 6. کاربردهای CNN در پیداکردن انواع نوکلئوتیدی (Variant Calling)
• 7. شبکه‌های عصبی بازگشتی (RNN) برای تحلیل توالی‌های ژنومیک
• 8. معرفی LSTM و GRU در پیش‌بینی بیان ژن
• 9. توکنیزه‌سازی توالی‌های DNA برای ورودی مدل‌های عمیق
• 10. معرفی معماری تبدیلگر (Transformer) در ژنومیک محاسباتی
• 11. اعمال مدل Transformer برای تحلیل و تمایز توالی DNA
• 12. خودرمزگذارها (Autoencoders) برای فشرده‌سازی داده‌های ژنومیک
• 13. خودرمزگذارهای واریاسیونی (VAE) در کشف ساختارهای پنهان ژنومیک
• 14. شبکه‌های مولد تخاصمی (GAN) برای تولید داده‌های ژنومیک مصنوعی
• 15. اعمال GAN در کشف نوآوری‌های توالی جدید
• 16. معرفی گراف نورون‌ها (GNN) در تعاملات ژنی و پروتئینی
• 17. ساخت گراف تعاملات پروتئین-DNA و پردازش آن با GNN
• 18. یادگیری انتقالی (Transfer Learning) در ژنومیک
• 19. استفاده از مدل‌های پیش‌آموزش‌دیده برای تحلیل پروتئومیکس
• 20. بهینه‌سازی هایپرپارامترها برای شبکه‌های عمیق ژنومیک
• 21. مدیریت حافظه و محاسبات موازی در آموزش مدل‌های بزرگ ژنومیک
• 22. پیش‌بینی ساختار سه‌بعدی پروتئین با یادگیری عمیق
• 23. شبکه‌های عدالتی برای پیش‌بینی توالی پروتئین
• 24. تشخیص بیماری‌های ژنتیکی با مدل‌های عمیق روی داده‌های ژنومیک
• 25. ساختار مدل‌های عمیق برای پیش‌بینی بیان ژن (Gene Expression Prediction)
• 26. تحلیل اپی‌ژنتیک و میتیلاسیون با شبکه‌های عصبی عمیق
• 27. مدل‌سازی مسیرهای متابولیکی با یادگیری عمیق
• 28. تشخیص و آنالیز سایلنسینگ RNA با LSTM
• 29. ارزیابی عملکرد و معیارسنجی مدل‌های عمیق در داده‌های ژنومیک
• 30. تفسیرپذیری مدل‌های عمیق و استفاده از SHAP و LIME در ژنومیک