Научно-исследовательский семинар "Генеративные модели ИИ в биологии"

Бакалавриат 2026/2027

Статус: Курс обязательный (Когнитивная нейробиология)

Кто читает: Базовая кафедра Института биоорганической химии им. академиков М.М. Шемякина и Ю.А. Овчинникова РАН

Где читается: Факультет биологии и биотехнологии

Когда читается: 3-й курс, 3, 4 модуль

Охват аудитории: для своего кампуса

Преподаватели: Вартанов Сергей Александрович, Фаткулин Артем Александрович

Язык: русский

Кредиты: 4

Контактные часы: 60

Дополнительные материалы в LMS Задать вопрос

Аннотация

НИС «Генеративные модели ИИ в биологии» посвящен внедрению современных технологий искусственного интеллекта в биологические исследования и практику. Участники курса познакомятся с основами генеративных моделей и их применением для решения актуальных задач в области биологии, включая анализ геномных данных и обработку биологических и медицинских изображений.

Цель освоения дисциплины

• сформировать у слушателей практических и систематических навыков анализа биомедицинских данных; • сформировать представления о применении современных технологий обработки биомедицинской информации; • познакомить слушателей с основными принципами и приёмами статистической обработки данных • научить слушателей основным понятиям и постановкам задач машинного обучения, возникающих в биологических и биомедицинских задачах; • дать теоретические основы ключевых методов машинного обучения; • познакомить с принципами построения композиций моделей машинного обучения; • познакомить с основными метриками качества для регрессии и классификации; • научить выполнять полный цикл построения модели; • научить обучать основные модели машинного обучения, оценивать их качество; • научить выполнять кластеризацию и визуализацию данных; • дать базовые знания об архитектурах искусственных нейронных сетей, базовых методах их обучения и оценки качества.

Планируемые результаты обучения

Студент проводит описательный анализ медицинских данных, вычисляя основные описательные характеристики исследуемых величин: среднее, стандартное отклонение, дисперсия, доверительные интервалы, ошибки среднего, медиана, квартили и др.
Студент проводит обработку выбросов различными методами (методы 1.5 IQR и 2 STD / 3 STD), строит интерактивные графики разных типов (гистограммы, диаграммы рассеяния, графики ящики-усы, графики средних с ошибками, линейные графики, матрицы корреляций и др).
Студент корректно поводит корреляционный анализ и содержательно интерпретирует коэффициенты корреляции на основе шкалы Чеддока.
Студент корректно использует для практического анализа данных библиотеки NumPy и Pandas, проводит с их помощью основные операции над массивами и таблицами данных.
Студент оценивает законы распределения случайных величин, проводит точечное и интервальное оценивание числовых характеристик случайных величин.
Студент ставит и проверяет статистические гипотезы различного вида о законах и о параметрах распределения, вычисляя уровень статистической значимости, проводит различные статистические тесты: парный, двух- и одновыборочный t-тесты, U-тест Манна–Уитни, одновыборочный Z-тест, Z-тест для пропорций.
Студент владеет критерием хи-квадрат и адекватно оценивает границы его применимости.
Студент проводит простейший дисперсионный анализ биологических и медицинских данных.
Студент формулирует основные концепции и принципы, связанные с построением элементарных нейросетевых моделей, описывает модель МакКаллока-Питтса как линейный классификатор, формулирует модель перцептрона Розенблатта.
Студент формулирует определение и свойства функций активации, описывает проблему полноты, задачу исключающего или, формулирует алгоритм обратного распространения ошибок, обосновывает полноту двухслойных сетей в пространстве булевых функций.
Студент настраивает и применяет в практических задачах библиотеку PyTorch, использует torch.Tensor для основных операций над тензорами.
Студент имплементирует с помощью PyTorch базовые модели машинного обучения: линейную регрессию и многослойный перцептрон, обучает MLP для задач классификации.
Студент корректно формулирует свойства задачи кластеризации и соответствующие метрики качества, использует методы K-Means, графовые методы кластеризации, методы иерархическое кластеризации, а также метод DBSCAN и прочие методы, основанные на плотности.
Студент проводит снижение размерности задач, а также факторный анализ с помощью метода главных компонент.
Студент реализует различные алгоритмы кластеризации на Python (K-means, иерархическая кластеризация, DBSCAN).
Студент формулирует основные концепции и определения, связанные с решающими деревьями, описывает общий алгоритм построения решающих деревьев и формулирует критерии информативности, ветвления и останова.
Студент применяет модели деревьев для задач классификации и регрессии.
Студент формулирует основные подходы, концепции и понятия, связанные с композицией алгоритмов: базовый алгоритм, корректирующая операция, голосование (простое, взвешенное), бутстрап, бэггинг и бустинг.
Студент строит основные композиции алгоритмов на основе базовых алгоритмов решающих деревьев и имплементирует их с помощью библиотек catboost и xgboost.
Студент ставит и решает задачи классификации, обучая линейные классификаторы с различными метриками качества, проводит оценку точности различными методами (матрица ошибок, точность, полнота и F-мера; Area Under Curve (AUC), кривая receiver operating characteristic (ROC-кривая); Precison-recall кривая).
Студент формулирует и обучает линейные модели регрессии с различными функциями потерь и способами регуляризации, проводит для них оценку обобщающей способности и кросс-валидацию и содержательно интерпретирует оценки коэффициентов.
Студент ориентируется в основных типах задач машинного обучения, проводит классификацию задачи и выбирает подходящий метод машинного обучения для его решения; формулирует основные термины и концепции машинного обучения (объекты и признаки, типы шкал, модель алгоритмов, метод обучения, функция потерь и функционал качества, принцип минимизации эмпирического риска, обобщающая способность, переобучение и недообучение).
Студент умеет решать простейшие задачи машинного обучения с помощью библиотеки scikit-learn

Содержание учебной дисциплины

Введение в анализ данных
Основы математической статистики
Введение в машинное обучение. Основные термины, постановки задач и примеры применения.
Регрессионные методы и модели
Методы классификации.
Решающие деревья и композиции моделей
Обучение без учителя и кластеризация
Основы искусственных нейронных сетей

Элементы контроля

Итоговая контрольная работа
Семинарская активность
Домашние задания
Экзаменационная работа

Промежуточная аттестация

2026/2027 4th module
0.025 * Семинарская активность + 0.025 * Домашние задания + 0.7 * Итоговая контрольная работа + 0.2 * Экзаменационная работа

Список литературы

Авторы

Мартынова Ольга Владимировна
Вартанов Сергей Александрович

Программа дисциплины