CB2310 Tillämpad maskininlärning inom molekylär bioteknik 7,5 hp

Kursens huvudsakliga syfte är att ge studenterna färdigheter i att använda, förbättra, tolka och utvärdera maskininlärningsmetoder inom bioteknik. Kursen introducerar praktiska tillämpningar av maskininlärning inom genomik, transkriptomik, proteomik och biomedicinsk forskning. Studenterna kommer lära sig grunderna i övervakad och oövervakad maskininlärning samt neurala nätverksarkitekturer, med betoning på användning av dessa i verkliga analyser.

Kursens föreläsningar kombineras med praktiska övningar, där teoretiska grunder förenas med tillämpning i biologiska och biomedicinska sammanhang. Den teoretiska och praktiska kunskapen fördjupas i ett projekt, där studenterna väljer relevanta data samt designar, optimerar och tillämpar en maskininlärningsmodell.

Kursinnehåll i korthet:

• Introduktion till maskininlärning och dess tillämpningar inom bioteknik
• Övervakade modeller inom bioteknik I: Klassificeringsstrategier
• Övervakade modeller inom bioteknik II: Regressionsmodeller
• Modellvalidering och optimering: Centrala mått och strategier
• Datanormalisering och regularisering: Begränsningar, utmaningar och bästa praxis
• Oövervakade modeller inom bioteknik I: Klustring och mönstersökning
• Oövervakade modeller inom bioteknik II: Dimensionsreduktion
• Artificiella neurala nätverk inom bioteknik: Att bygga algoritmnätverk
• Djupinlärning som transformerar biotekniken: Från strukturprediktioner till funktionella analyser
• Samhälle, etik och de bredare konsekvenserna av maskininlärning

Efter avslutad kurs ska studenten kunna:

• redogöra för centrala begrepp inom maskininlärning, inklusive övervakad och oövervakad inlärning, neurala nätverksarkitekturer, modellträning och validering, variabelselektion samt regularisering av data.
• tillämpa maskininlärning på olika typer av biologiska data, såsom genomsekvenser, mikroskopibilder och kliniska data.
• förstå och tillämpa begrepp och strategier för att optimera modellernas prestanda, robusthet och generaliserbarhet.
• identifiera och diskutera etiska och samhälleliga implikationer av maskininlärning inom livsvetenskap, inklusive snedvridning i dataträning, transparens i modeller, dataskydd samt ansvarstagande i automatiserat beslutsfattande.
• kommunicera processer och resultat från maskininlärning på ett effektivt sätt till både tekniska och icke-tekniska målgrupper.

Avklarat examensarbete på kandidatnivå 15hp, 20hp inom cellbiologi, biokemi, mikrobiologi och genteknik/molekylärbiologi, 15 hp matematik, numerisk analys och datateknik, samt kurser i programmering motsvarande minst 5 hp.

• TEN1 - Skriftlig tentamen, 4,0 hp, betygsskala: A, B, C, D, E, FX, F
• LAB1 - Datorlaborationer, 2,0 hp, betygsskala: P, F
• PRO1 - Projekt, 1,5 hp, betygsskala: P, F

Examinator beslutar, baserat på rekommendation från KTH:s handläggare av stöd till studenter med funktionsnedsättning, om eventuell anpassad examination för studenter med dokumenterad, varaktig funktionsnedsättning.

Examinator får medge annan examinationsform vid omexamination av enstaka studenter. När kurs inte längre ges har student möjlighet att examineras under ytterligare två läsår.

• Vid grupparbete har alla i gruppen ansvar för gruppens arbete.
• Vid examination ska varje student ärligt redovisa hjälp som erhållits och källor som använts.
• Vid muntlig examination ska varje student kunna redogöra för hela uppgiften och hela lösningen.