问题：

  • DL的难点
  • 目前机器学习和深度学习能做些什么？不能做什么？
  • 机器学习的基本框架，分类
  • 深度学习的基本框架，分类
  • 如何最快的将深度学习应用到生物信息学、药物发现上？
  • 为什么我应该学习深度学习？
  • 深度学习开发框架的选择，用Google的还是Facebook的？
  • 为什么深度学习必须要用GPU，和CPU的差别在哪？

 

 

DL的难点

  1. GPU设备的门槛，自己买还是用学校的？
  2. 门外汉很难学深，数学基础基本不用学了，来不及，会套壳子会用API就行
  3. 如何选题？怎么搞到高质量的训练数据？后期如何验证？文章如何发表？

 

在生物信息上的应用

参考：

  • Deep Learning in Bioinformatics | Recent Advancement - YT
  • Deep learning in bioinformatics: introduction, application, and perspective in big data era
  • Recent Advances of Deep Learning in Bioinformatics and Computational Biology
  • Ensemble deep learning in bioinformatics - nature machine intelligence
  • Deep learning to predict sequence specificity - 2015
  • Predicting the sequence specificities of DNA- and RNA-binding proteins by deep learning - 2015
  • Gene expression inference with deep learning - 2016
  • Deep learning of the tissue-regulated splicing code - 2014

 

在药物发现上的应用

参考：

  • Python for Bioinformatics - Drug Discovery Using Machine Learning and Data Analysis
  • Machine Learning in Swiss bioinformatics: applications and challenges
  • Deep learning enables rapid identification of potent DDR1 kinase inhibitors - NBT- 2019 【有源码】

 

在医学影像上的应用

  • Artificial intelligence in medical imaging: switching from radiographic pathological data to clinically meaningful endpoints - LANCET - 2020
  • AI applications to medical images: From machine learning to deep learning - 2021
  • The Best AI-based Medical Imaging Tools in 2021
  • Artificial intelligence in medical imaging: threat or opportunity? Radiologists again at the forefront of innovation in medicine - 2018

 

 

 

学习动机

生物信息是我的立足之本，深度学习可以提升我的档次。

生物信息收集和分析数据，深度学习则最高效的利用数据。

 

框架选择

pyTorch适合用于研发，TensorFlow适合用于产业界应用开发。

 

参考：