کارآموزی هوش مصنوعی: ماشین لرنینگ برای بیولوژیست ها

• کلاس های دوره کارآموزی هوش مصنوعی: ماشین لرنینگ برای بیولوژیست ها روزهای فرد از ساعت ۱۶ برگزار میشود

دوره کارآموزی هوش مصنوعی: ماشین لرنینگ برای بیولوژیست ها (دوره مهارت آموزی هوش مصنوعی: ماشین لرنینگ برای بیولوژیست ها) :

یادگیری ماشین یا Machine Learning یک موضوع جذاب است که به کامپیوترها توانایی یادگیری بدون برنامه ریزی صریح را می دهد. ML یکی از هیجان‌ انگیزترین فناوری‌هایی است که تا به حال با آن مواجه شده‌ایم. همانطور که از نام آن مشخص است، به کامپیوتر چیزی می دهد که آن را بیشتر شبیه انسان می کند و آن توانایی یادگیری است.

در واقع یادگیری ماشین شاخه‌ای از هوش مصنوعی است که بر استفاده از داده‌ها و الگوریتم‌ها برای تقلید از روشی که انسان‌ها یاد می‌گیرند تمرکز دارد و به تدریج دقت آن را بهبود می‌بخشد. الگوریتم‌های یادگیری ماشین مدلی را بر اساس داده‌های نمونه می‌سازند که به داده‌های آموزشی معروف است تا پیش‌بینی یا تصمیم‌گیری کند.

یادگیری ماشین در حال ایجاد تغییرات بزرگ در همه ی ابعاد زندگی بشر است و بدون شک یکی از مهم ترین و حاصل خیز ترین زمینه ها زیست شناسی و پزشکی است که موجب تغییرات عظیم در آن ها می شود. حال سوال بزرگ این است که برای Machine Learning از کدام ابزار/زبان باید استفاده کرد؟

ابزارهای زیادی برای انجام تجزیه و تحلیل داده ها در بازار موجود هستند اما اگر می‌خواهید بهترین بینش را از داده‌ها به دست آورید، باید مدتی را صرف یادگیری ابزار مناسب، یعنی پایتون کنید. پایتون تعادل مناسبی را بین یادگیری آسان و قدرت تحلیل داده ها فراهم می کند.

پایتون یک زبان برنامه نویسی رایگان و قدرتمند است و دارای فهرست گسترده ای از پکیج های آماری و گرافیکی است. این فهرست شامل الگوریتم های یادگیری ماشین، رگرسیون خطی، سری های زمانی و استنتاج آماری است. پایتون نه تنها محبوب دانشگاهیان است، بلکه بسیاری از شرکت های بزرگ تجاری نیز از جمله Uber، Google، Airbnb، Facebook و غیره از زبان برنامه نویسی پایتون استفاده می کنند.

از مهم ترین کاربرد های پایتون می توان به انجام کار های آماری، آنالیز داده ها و Machine Learning اشاره کرد. بنابراین یادگیری Machine Learning در پایتون برای محققین فعال در حوزه ی زیست شناسی امری ضروری و اجتناب ناپذیر است.

آزمایشگاه ژنیران با برگزاری دوره ی کارآموزی Machine Learning برای بیولوژیست ها، دانشجوها را آماده ی ورود به دنیای جدید زیست شناسی مدرن می کند طوری که دانشجو ها قادر خواهند بود با استفاده از زبان برنامه نویسی پایتون، به عنوان یکی از زبان های پرطرفدار و مهم برای زیست شناس ها، Machine Learning را در محیط پایتون بیاموزند و در جهت تحلیل داده های زیستی و مدل سازی و پیش بینی در زیست شناسی به کار گیرند.

دوره ی کارآموزی Machine Learning برای بیولوژیست ها، در قالب 15 جلسه برگزار شده و طی این دوره دانشجو ها فرصت کافی برای یادگیری نحوه ی استفاده از زبان برنامه نویسی پایتون، مفاهیم کاربردی آمار و  الگوریتم های یادگیری ماشین و نحوه ی به کارگیری آن ها در پروژه های زیست شناسی را دارند.

دوره ی کارآموزی  Machine Learning برای بیولوژیست ها، تمرین محور و پروژه محور است به این معنی که دانشجو ها با همکاری استاد مربوطه به طور منظم و در قالب زمانی مشخص، تمرین هایی را جهت مرور و تعمیق مفاهیم آماری و یادگیری ماشین در محیط پایتون انجام می دهند. از ویژگی های بارز این دوره این است که تمامی مثال ها و تمرین ها زیستی بوده و کارآموزان یادگیری ماشین را در ارتباط نزدیک با مفاهیم زیست شناسی می آموزند.

ویژگی متمایز کننده و برجسته ی این دوره این است که کارآموزان علاوه بر تمرین هایی که در طول دوره انجام می دهند، در انتهای دوره نیز یک پروژه یادگیری ماشین را با همکاری یکدیگر انجام می دهند. این پروژه ی نهایی علاوه بر به کارگیری تمامی مفاهیم تدریس شده در این دوره، فرصت فوق العاده ای در جهت آشنایی با مقالات علمی در حوزه ی یادگیری ماشین و انجام تحقیقات و تقویت بیش از پیش رزومه ی دانشجو ها است.

دانشجوها پس از گذراندن دوره ی کارآموزی Machine Learning برای بیولوژیست ها علاوه بر آن که با انجام تمرین ها و پروژه های مختلف مهارت های لازم را برای انجام بسیاری از کارهای تحقیقاتی و حتی تجاری به دست می آورند، مدرک معتبری را نیز دریافت می کنند که این مدرک رزومه ی آن ها محسوب می گردد. مدرک کارآموزی پایتون برای زیست شناس ها، بسیار معتبر است و می تواند نقش مهمی در پذیرش دانشجو ها در شرکت های تجاری و همچنین دانشگاه های مختلف و اخذ بورسیه تحصیلی در مقاطع مختلف داشته باشد.

علاوه بر نکاتی که در قسمت های قبل ذکر شد، موضوعی که اهمیت دوره ی کارآموزی  Machine Learning برای بیولوژیست ها را دو چندان می کند این است که با توجه به پرهزینه بودن انجام کارهای آزمایشگاهی و مشکلات فراوانی که در مسیر یافتن مواد آزمایشگاهی مناسب بر سر راه دانشجو ها قرار دارد، فراگیری مطالب این دوره به داوطلبان این امکان را می دهد که همه یا بخشی از پروژه های علمی خود را با کمترین هزینه و به دور از مشکلات ذکر شده، به صورت کامپیوتری و محاسباتی و بیوانفورماتیکی طراحی و عملی کنند.

انسان ها دنیا را با مشاهده اطراف خود و یادگیری به منظور پیش بینی آنچه ممکن است در آینده اتفاق بیفتد، درک می کنند. کودکی را در نظر بگیرید که گرفتن توپ را می آموزد: کودک هیچ چیز در مورد قوانین فیزیکی حاکم بر حرکت توپ پرتاب شده نمی داند. با این حال، با یک فرآیند مشاهده، آزمون و خطا، درک خود از حرکت توپ و نحوه حرکت بدن خود را تنظیم می کند تا زمانی که بتواند توپ را با اطمینان بگیرد. به عبارت دیگر، کودک یاد گرفته است که چگونه با آزمایش و خطا یک «مدل» به اندازه کافی دقیق و مفید از فرآیند دریاقت توپ بسازد و توپ را بگیرد.

«یادگیری ماشین» به طور گسترده به فرآیند تطبیق مدل‌های پیش‌بینی با داده‌ها یا شناسایی گروه‌های اطلاعاتی درون داده‌ها اشاره دارد. حوزه یادگیری ماشین اساساً تلاش می‌کند تا با استفاده از محاسبات، توانایی انسان در تشخیص الگوها را تقریب یا تقلید کند.

یادگیری ماشین به ویژه زمانی مفید است که مجموعه داده‌ای که فرد می‌خواهد تجزیه و تحلیل کند بسیار بزرگ (بسیاری از نقاط داده‌ای فردی) یا بسیار پیچیده (شامل تعداد زیادی ویژگی) برای تجزیه و تحلیل انسانی باشد و یا زمانی که بخواهیم فرآیند تجزیه و تحلیل داده‌ها را خودکار کنیم. داده‌های آزمایش‌های بیولوژیکی اغلب دارای این ویژگی‌ها هستند.

مجموعه داده‌های بیولوژیکی از نظر اندازه و پیچیدگی در چند دهه گذشته بسیار رشد کرده‌اند، و نه تنها داشتن ابزارهای عملی برای درک فراوانی داده‌ها، بلکه درک درستی از تکنیک‌های مورد استفاده نیز اهمیت فزاینده‌ای پیدا می‌کند.

یادگیری ماشین برای چندین دهه در زیست شناسی مورد استفاده قرار گرفته است، اما اهمیت آن به طور پیوسته افزایش یافته است تا جایی که تقریباً در هر زمینه ای از زیست شناسی استفاده می شود. با این حال، تنها در چند سال گذشته، یادگیری ماشین نگاه انتقادی‌تری به استراتژی‌های موجود انداخته و شروع به ارزیابی اینکه کدام روش‌ها در سناریوهای مختلف مناسب‌تر هستند یا حتی آیا اصلاً مناسب هستند، کرده است.

وقتی از یادگیری ماشین در زیست شناسی استفاده می کنیم، دو هدف را دنبال می کنیم. اولین مورد این است که در مواردی که داده های تجربی وجود ندارد، پیش بینی های دقیق انجام دهیم و از این پیش بینی ها برای هدایت تلاش های تحقیقاتی آینده استفاده کنیم.

با این حال، ما به عنوان دانشمندان به دنبال درک جهان هستیم و بنابراین هدف دوم استفاده از یادگیری ماشین برای افزایش درک خود از زیست‌شناسی است. در سراسر این راهنما، ما در مورد اینکه چگونه این دو هدف اغلب در یادگیری ماشین با هم تضاد پیدا می‌کنند، و چگونگی درک کردن مدل‌هایی که اغلب به‌عنوان «جعبه‌های سیاه» تلقی می‌شوند، بحث می‌کنیم، زیرا درک عملکرد درونی آنها دشوار است.

برای مطالعه ی بیشتر می توانید به مقاله ی مروری گرینر و همکاران تحت عنوان A guide to machine learning for biologists که در Nature reviews molecular cell biology چاپ شده است و لینک آن در زیر قرار دارد مراجعه بفرمایید.

https://www.nature.com/articles/s41580-021-00407-0

هدف این مطالعه این است که زیست شناسان را در مورد چگونگی شروع به درک و استفاده از تکنیک های یادگیری ماشین آگاه کند. مطالعه ی این مقاله که در سال ۲۰۲۱ چاپ شده است می تواند به زیست شناسان درک بسیار مناسبی از کاربرد یادگیری ماشین در زیست شناسی ارائه دهد.