최근 확인한 콘텐츠
데이터가 존재하지 않습니다.
김효주, Prakash Chandra Lohani, Deval Prasad Bhattarai, Tiwari Arjun Prasad, 김학용
2022 / Macromolecular Research
S. H. JEONG, J. E. LEE, S. U. CHOI, J. N. OH, K. H. LEE
2012 / International Journal of Automotive Technology
이재용, 박미라
2017 / Journal of The Korean Data Analysis Society
데이터가 존재하지 않습니다.
loading...
본 연구는 모든 가능한 게놈 조합을 조사할 필요 없이 딥러닝 신경망을 사용하여 유전자-유전자 상호작용의 강도를 측정하는 방법을 제시합니다. 모든 SNP를 입력으로 사용하여 신경망을 통해 상호작용 강도를 추정하고, 각 SNP를 제외했을 때 정확도 변화를 측정하여 중요한 상호작용 조합을 식별합니다.
Primer to analysis of genomic Data using R
Statistical human genetics : methods and protocols
Genetic mapping and DNA sequencing
Drug-DNA interaction protocols
Molecular analyses
Association mapping in plants
Advanced analysis of gene expression microarray data
Genome-wide association studies and genomic prediction
Big data in omics and imaging.
The fundamentals of modern statistical genetics
Generating random networks and graphs
Analysis of biological systems
Deep Learning for the Life Sciences: Applying Deep Learning to Genomics, Microscopy, Drug Discovery, and More
Genetic analysis : genes, genomes, and networks in eukaryotes
Gene function analysis
Database annotation in molecular biology : principles and practice
Handbook on analyzing human genetic data
Genomics and proteomics : functional and computational aspects
케라스로 배우는 신경망 설계와 구현 : CNN, RNN, GAN, LSTM 다양한 신경망 모델 설계와 구현
Biostatistical methods
FRONTIERS IN GENETICS
Liu, Yang; Wang, Duolin; He, Fei; Wang, Juexin; Joshi, Trupti; Xu, DongCommunications Biology
Cui T.,El Mekkaoui K.,Reinvall J.,Havulinna A.S.,Marttinen P.,Kaski S.IEEE/ACM Transactions on Computational Biology and Bioinformatics
Guan B.,Zhao Y.,Yin Y.,Li Y.Bioinformatics (Oxford, England)
Marttinen P; Pirinen M; Sarin AP; Gillberg J; Kettunen J; Surakka I; Kangas AJ; Soininen P; O'Reilly P; Kaakinen M; Kähönen M; Lehtimäki T; Ala-Korpela M; Raitakari OT; Salomaa V; Järvelin MR; Ripatti S; Kaski SBriefings in Bioinformatics
Jo T.,Nho K.,Bice P.,Saykin A.J.Biometrics
Zhao, S.D.; Cai, T.T.; Li, H.응용통계연구
진서훈, 이민희, 이효정, 박미라BMC Bioinformatics
Wang H.,Yue T.,Yang J.,Wu W.,Xing E.P.Journal of Proteome Research
Du X.,Hu J.,Li S.IEEE/ACM Transactions on Computational Biology and Bioinformatics
Wang J.,Zhang H.,Ren W.,Guo M.,Yu G.Briefings in Bioinformatics
Liu J.,Su R.,Zhang J.,Wei L.European journal of human genetics : EJHG
Zhao J; Zhu Y; Xiong MCurrent genetic medicine reports
Pendergrass SA; Ritchie MDCancer Epidemiology Biomarkers and Prevention
MacInnis, Robert J.; Schmidt, Daniel F.; Makalic, Enes; Severi, Gianluca; FitzGerald, Liesel M.; Reumann, Matthias; Kapuscinski, Miroslaw K.; Kowalczyk, Adam; Zhou, Zeyu; Goudey, Benjamin; Qian, Guoqi; Bui, Quang M.; Park, Daniel J.; Freeman, Adam; Southey, Melissa C.; Al Olama, Ali Amin; Kote-Jarai, Zsofia; Eeles, Rosalind A.; Hopper, John L.; Giles, Graham G.IEEE/ACM Transactions on Computational Biology and Bioinformatics
Karim M.R.,Cochez M.,Zappa A.,Sahay R.,Rebholz-Schuhmann D.,Beyan O.,Decker S.Genomics & Informatics
yee, Jaeyong; Kim, Yongkang; Park, Taesung; Park, MiraJournal of Neural Transmission
COCCHI, ENRICO; DRAGO, ANTONIO; FABBRI, CHIARA; SERRETTI, ALESSANDROMolecular Biology and Evolution
Daniel R. Schrider; Yaniv Brandvain; Lex E. FlagelAnnals of Human Genetics
Han, B.; Kang, H. M.; Seo, M. S.; Zaitlen, N.; Eskin, E.Bioinformatics and Biology Insights
Ahmed A.,Mam B.,Sowdhamini R.전선 / 대학원
다른 과목에서 배운 계량적 분석방법을 현실 농업문제에 응용한다. 비교정학(comparative statics)에 의한 모형분석, 칼만 필터(Kalman filter), 뉴럴 네트워크(neural network), 유전자 알고리즘(genetic algorithm), 부트 스트랩핑(boot strapping), 커널 추정(kernel estimation) 등을 다룬다.전선 / 대학원
분자 수준 (DNA, RNA, proteins, epigenome) 생물정보 데이터 분석에 사용된 기계학습 기법을 구체적 문제와 함께 학습하는 과목이다. 생물정보학에 거의 모든 기계학습 기법이 사용 되고 있는데, 본 과목에서 다루는 기법은 dynamic programming, ML, MAP, (generalized) hidden Markov model (HMM), Gibbs sampling, Dirichlet mixture, expectation maximization, (graph) convolutional neural network, (graph) embedding, (Baysian) autoencoder 등이다.전선 / 대학원
분자 수준 (DNA, RNA, proteins, epigenome) 생물정보 데이터 분석에 사용된 기계학습 기법을 구체적 문제와 함께 학습하는 과목이다. 생물정보학에 거의 모든 기계학습 기법이 사용 되고 있는데, 본 과목에서 다루는 기법은 dynamic programming, ML, MAP, (generalized) hidden Markov model (HMM), Gibbs sampling, Dirichlet mixture, expectation maximization, (graph) convolutional neural network, (graph) embedding, (Baysian) autoencoder 등이다.전선 / 대학원
딥러닝은 주어진 입력 데이터를 심층인공신경망으로 가공하여 원하는 테스크에 대해 좋은 성능을 달성하는 것을 목표로 한다. 이 과정에서 입력 데이터는 입력이 표현된 방식과는 확연히 다른 방식으로 표현되게 되고, 이러한 표현 방식의 변화를 통하여 원하는 정보를 잘 활용할 수 있게 된다. 본 강의에서는 딥러닝의 중요 연구주제 중 지도학습, 비지도학습, contrastive learning, domain generalization, meta learning, 등과 같은 학습기법들에 대해 논의하고 이를 통하여 표현학습에 대해 이해하는 것을 목표로 한다.전선 / 대학원
딥러닝은 주어진 입력 데이터를 심층인공신경망으로 가공하여 원하는 테스크에 대해 좋은 성능을 달성하는 것을 목표로 한다. 이 과정에서 입력 데이터는 입력이 표현된 방식과는 확연히 다른 방식으로 표현되게 되고, 이러한 표현 방식의 변화를 통하여 원하는 정보를 잘 활용할 수 있게 된다. 본 강의는 딥러닝의 중요 연구주제 중 비지도학습의 기본 방식으로 자리 잡은 self-supervised learning 및 contrastive learning을 중심으로 진행한다. 특히 information theoretic approach를 비롯한 metric 관점의 representation learning에 대해 고찰하고 domain generalization, meta learning, 등과 같은 학습기법들에 대해 논의하며 이를 통하여 표현학습에 대해 심화된 이해를 하는 것을 목표로 한다.전선 / 대학원
다양한 유전체자료를 분석하기 위한 통계적방법을 학습한다. 먼저 유전학 분야의 용어와 개념에 대해 소개한 후 이 분야에서 널리 사용되고 있는 기초적인 방법론을 살펴본 후 마이크로어레이자료분석과 연쇄분석, 연관성분석과 같은 유전역학분야에서 사용되는 통계기법을 다룬다.전선 / 대학원
고급 확률 그래프 모형(PGM)은 많은 수의 변수가 상호작용하는 복잡한 도메인에 대한 확률 분포를 표현하는 효과적인 방법이다. 따라서 확률 그래프 모형은 의료진단, 이미지 및 음성인식, 스포츠통계, 생물정보학 등과 같은 다양한 분야에 적용되는 머신러닝 방법들의 핵심적인 역할을 한다. 이 강의는 방향성 그래프를 이용하는 베이지안 네트워크; 무방향성 그래프를 사용하는 마르코프 네트워크의 이론적 성질과 학습 방법 그리고 실제 적용 사례를 설명한다.전선 / 대학원
계산이론은 컴퓨터공학의 기초학문이며, 중요한 문제에 대한 효율적인 알고리즘들을 소개하고, 그런 알고리즘의 복잡도 분석을 다룬다. 이 교과목에서는 먼저 알고리즘의 성능을 분석하는 기법, 특히 amortized analysis에 대해 배운다. 그리고, 계산이론 분야에서 중요한 알고리즘과 그 응용에 대해 배운다. 구체적으로, (스트링 매칭, 2차원 패턴 매칭, 근사 매칭, suffix trees, 데이터 압축 문제에 대한) 스트링 알고리즘과 bioinformatics에의 응용, (선택 문제, 다항식 확인 문제에 대한) randomized 알고리즘과 그 영향, (페이지 교체 문제, k 서버 문제에 대한) online 알고리즘과 금융문제(일방향 거래와 portfolio 선택 문제)에의 응용을 배운다.전선 / 대학원
본 교과목은 고급데이터마이닝 방법론(326.637) 과목에 이어 심층학습모형에 중점을 둔다. 교육 목표는 심층학습(deep learning)의 방법들을 공부하고 관련된 통계적 문제를 찾아내는 것이다. 다루는 내용은 다음과 같다. 심층학습 이전의 특징 추출 및 판별 분석 기법, 기계학습에서 사용되는 이론적인 도구들, 인공신경망의 기초, 다층 퍼셉트론, 역전파, 합성곱 신경망, 최적화와 정칙화, 가시화, 파이톤과 심층학습 프레임워크, 순환 신경망, 변분적 추론, 적대적 생성 네트워크, 영상 분할 및 검출, 자연어 처리 등이다.전선 / 학사
본 교과목은 실험 데이터를 모아 놓은 데이터베이스 및 데이터의 해독에 필요한 프로그램에 대한 수요에서 비롯된 것으로 인간 및 동물의 게놈염기배열 정보를 바탕으로 생명현상을 이해하는 학문이다. 따라서 본 교과목에서는 유전적 표지인자를 이용 한 동물분자육종, 사람의 유전정보를 바탕으로 동물의 종간 비교지도작성, 단일 염기다형(SNP)의 해독기술, 특정 염색체영역에 있는 유전자 및 질병의 검색 및 Lab informatics 등에 대하여 강의한다.전선 / 대학원
다양한 딥러닝 신경망(CNN 등) 알고리즘을 치과영상(파노라마 영상, 구내 영상, CEP 영상 및 콘빔CT(CBCT) 영상)에 적용하여 자동적 영역분할, 치과질환의 자동적 탐지 및 분류하는 방법을 실습함. 치과영상 데이터의 annotation 방법, 신경망 학습, 테스트 및 모델의 성능분석 등을 디지털 치과 데이터를 실제 컴퓨터 서버에 탑재하고 실습하여, 학생 스스로 딥러닝을 이용하여 치과영상을 분석할 수 있는 능력을 제공함. Getting Started with Deep Learning Using PyTorch Building Blocks of Neural Networks Diving Deep into Neural Networks Fundamentals of Machine Learning Deep Learning for Computer Vision Deep Learning with Sequence Data and Text Generative Networks전선 / 대학원
이 수업은 인공지능과 기계학습의 이론적 기초를 다루며, 특히 의료 데이터의 다양한 특징에 맞는 학습 및 추론 알고리즘을 디자인하기 위해 필요한 공학적 및 신호처리 원리를 이해하는 데 초점을 맞춘다. 수업에서는 전통적인 기계학습 기법부터 최신 인공지능 기법까지의 원리를 배우고, 이를 통해 수강자가 주어진 데이터를 바탕으로 알고리즘을 설계하고 공학적으로 해석할 수 있는 능력을 키우는 것을 목표로 한다. 의료 데이터는 단백질과 분자 (그래프), 유전체/전사체 (텍스트), 혈당/뇌파 (시계열 신호), 의료 영상 (다차원 영상), 환자 메타 정보 (테이블), 대사 상호 작용 정보 (다차원 행렬) 등 매우 다양한 형태를 가지고 있다. 이러한 다양한 데이터를 컴퓨터가 이해할 수 있는 형식으로 변환하는 과정에서 비선형 함수의 학습이 중요한 역할을 하며, 이는 의료 인공지능의 핵심 신호처리 원리 중 하나이다. 본 수업은 일반적인 기계학습 및 인공지능의 공학적 기초 외에도, 이처럼 의료 데이터의 특성을 반영한 대표적이고 특징적인 기계학습 및 인공지능 기술을 추가적으로 학습한다. 이를 통해 수강자는 일반 데이터 전문 분석가를 넘어선 의료 데이터 전문 분석가로 성장할 수 있는 역량을 갖추는 것을 목표로 한다.전선 / 대학원
최근 생명과학 연구에서 컴퓨터를 이용한 통계분석이 필수적인 기술로 사용되고 있다. 본 과목에서는 고급 생물정보학 및 실습 1과 2에서 학습한 생물정보학 기본 개념과 분석 기법을 토대로 실제 연구를 설계하고 수행하여 데이터 분석을 통해 생물학적 결론을 도출하는 전과정을 직접 체험하도록 한다. 서열분석 또는 단백체 데이터와 생물학 데이터베이스의 데이터를 활용하여 단순한 측정 데이터의 분석에 그치지 않고 생명과학 각 연구 주제의 근본적인 질문에 답할 수 있는 분석을 이끌어내도록 하며, 이 과정에서 동료들과 효율적인 소통과 정보전달 방법을 습득해 독립적인 연구수행 능력을 기를 수 있게 한다.전선 / 대학원
한 개체로부터 다른 실험조건하에서나 여러 다른 관측시간에 반복적으로 얻어진 자료를 분석하기위한 통계기법을 다룬다. 연속형의 반복측정자료를 분석하기 위해 다변량정규분포의 가정을 필요로 하는 고전적인 다변량모형을 소개하고 최근에 널리 사용되고 있는 혼합모형을 다룬다. 이산형의 반복측정자료 분석을 위해서는 가중최소제곱법에 근거한 모형과 랜덤화 모형을 다루고 일반화선형모형을 확장한 일반화추정방정식(GEE)모형을 다룬다.전선 / 대학원
최근 유전체 및 단백체 분석기술의 발전은 방대하고 다양한 유전체 및 단백체 데이터를 양산하였다. 다양한 생물학적 조건에서의 이러한 데이터를 해석하고 이해하기 위해 상당한 노력을 해왔다. 본 강좌에서는 학생들에게 의생명 과학 연구의 일환으로 유전-단백체 통합 연구에 대해서 소개하고, 최신 유전체 서열 및 단백체 분석 기술의 발달에 관해 논의하고자 한다. 특히, 통합 유전체-단백체 연구를 통해 더 명확한 유전-단백체의 기능적 annotation을 수행함으로써, Phenotype을 규명하는 최근의 융합학문경향에 대해 강조하여 살펴볼 것이다. 본 강좌에서는 해당 연구 분야의 전문가를 초청하여 세미나 형태의 강의도 병행하여 진행될 것이다.전선 / 대학원
딥러닝 모델은 추상화 복잡도를 증가하면서 정보를 표현하는 여러 계층으로 이루어진 신경망으로, 최근 영상/음성/자연어 처리 등의 문제에서 다른 기계 방법론들을 크게 상회하는 뛰어난 성능을 보이고 있다. 본 과정에서는 딥러닝의 기반이 되는 기계학습 및 최적화 기법들을 배우고, 기본적인 신경망에 대해서 학습한다. 그리고 영상 처리와 자연어 처리의 핵심 모델인 Convolutional neural networks와 Recurrent neural networks의 훈련법과 추론법들을 익힌다. 또한 비감독 생성 모델인 Autoencoders와 Restrict Boltzman machines에 대해 자세히 살펴 보고 마지막으로 딥러닝 기반 강화 학습에 대해서도 학습하고 실습을 진행한다. 본 과목은 대학원생과 일부 고년차 학부생을 대상으로 한다.전선 / 대학원
본 교과목은 고급데이터마이닝 방법론(326.637) 과목에 이어 심층학습모형에 중점을 둔다. 교육 목표는 심층학습(deep learning)의 방법들을 공부하고 관련된 통계적 문제를 찾아내는 것이다. 다루는 내용은 다음과 같다. 심층학습 이전의 특징 추출 및 판별 분석 기법, 기계학습에서 사용되는 이론적인 도구들, 인공신경망의 기초, 다층 퍼셉트론, 역전파, 합성곱 신경망, 최적화와 정칙화, 가시화, 파이톤과 심층학습 프레임워크, 순환 신경망, 변분적 추론, 적대적 생성 네트워크, 영상 분할 및 검출, 자연어 처리 등이다.전선 / 학사
뇌과학에서 인간의 뇌 구조와 기능, 인지, 감정, 행동의 복잡한 상관관계를 밝히는 데에 있어 통계학과 컴퓨터과학의 융합인 데이터사이언스의 접근이 중요해지고 있다. 심리학 및 인지뇌과학의 분야도 데이터의 양과 범위가 점차 커지면서 데이터 및 계산 집약적 분야가 되고 있다. 사실, 늘어나는 데이터의 양과 복잡성을 기존의 분석방법으로 해결하지 못하고 있다. 따라서 신경심리학과 인지신경과학에서 현재와 미래에 데이터사이언스 및 인공지능의 접근이 필수적으로 생각된다. 본 과목은 인간신경과학 연구에서, Columbia University의 David Blei가 제시한 (Science and Data Science, Blei et al, PNAS 2017) “통계학적 관점”, “컴퓨터 과학적 관점”, 그리고 다학제간 연구를 위한 소통과 과학적 의사결정에서의 “인간의 관점”과 이에 필요한 스킬셋의 학습을 목표로 한다. 구체적으로 먼저 심리학 및 인지심리학에서의 뇌이미징연구에 있어 최근 데이터사이언스가 어떻게 이용되고 있는지 최신 논문을 통해 학습한다. 또한 ‘뇌이미징 연구방법론’, ‘기계학습 방법론’의 이론 및 실습 수업을 진행하며, 실제 신경과학 데이터를 이용한다. 과제를 통해 학생들이 데이터사이언스의 개념과 툴을 직접 다뤄보고 적용가능한 스킬셋을 학습하며, 배운 결과를 효과적으로 전달하는 방법을 연습한다. 이 강의는 학생들에게 현대 사회가 요구하는 데이터사이언스의 중요 개념과 실제 연구 및 다양한 의사결정 프로세스에서의 활용방안 및 비전을 제공한다.전선 / 학사
기초 통계, 코딩 지식을 응용하여, 다양한 공개 데이터베이스에서 제공하는 바이오/ 임상 빅데이터에서 새로운 정보들을 integration할 수 있는 분석방법과 AI를 이용한 신약개발의 개념과 사례를 학습한다.전선 / 학사
본 과목은 AI의 이론적 개념들을 이해하고, 실습을 통해 빅데이터 분석 및 예측 모델 생성, 분류 작업과 같은 AI 관련 역량을 갖도록 한다.