Nature与Science重磅!AI与生物医药迎来百年来最重磅进展!https://mp.weixin.qq.com/s/Vw3Jm4vVKP14_UH2jqwsxA
第一天
机器学习及微生物学简介
1.机器学习基本概念介绍
-
常用机器学习模型介绍(GLM,BF,SVM,lasso,KNN等等)
-
混淆矩阵
-
ROC曲线
-
主成分分析(PCA)
-
微生物学基本概念
-
微生物学常用分析介绍
R语言简介及实操
1.R语言概述
2.R软件及R包安装
3.R语言语法及数据类型
4.条件语句
5.循环
第二天
机器学习在微生物学中的应用案例分享
1.利用机器学习基于微生物组学数据预测宿主表
2.利用机器学习基于微生物组学数据预测疾病状态
3.利用机器学习预测微生物风险
4.机器学习研究饮食对肠道微生物的影响
微生物学常用分析(实操)
-
微生物丰度分析
-
α-diversity,β-diversity分析
-
进化树构建
-
降维分析
-
基于OTU的差异表达分析,热图,箱型图绘制微生物biomarker鉴定
第三天:(实操)
零代码工具利用机器学习分析微生物组学数据
-
加载数据及数据归一化
-
构建训练模型(GLM, RF, SVM)
-
模型参数优化
-
模型错误率曲线绘制
-
混淆矩阵计算
-
重要特征筛选
-
模型验证,ROC曲线绘制利用模型进行预测
第四天(实操)
利用机器学习基于微生物组学数据预测宿主表型(二分类变量以及连续变量)
-
加载数据(三套数据)
-
数据归一化
-
OUT特征处理
-
机器学习模型构建(RF, KNN, SVM, Lasso等9种机器学习方法)
-
5倍交叉验证
-
绘制ROC 曲线,比较不同机器学习模型模型性能评估
第五天(实操)
利用机器学习预测微生物风险(多分类)
-
加载数据
-
机器学习模型构建(RF, gbm, SVM, LogitBoost等等)
-
10倍交叉验证
-
模型性能评估
利用机器学习预测刺激前后肠道菌群变化
-
数据加载及预处理
-
α-diversity,β-diversity分析
-
RF模型构建(比较分别基于OUT,KO,phylum的模型效果)
-
10倍交叉验证, 留一法验证
-
特征筛选及重要特征可视化外部数据测试模型
Nature与Science重磅!AI与生物医药迎来百年来最重磅进展!https://mp.weixin.qq.com/s/Vw3Jm4vVKP14_UH2jqwsxA