一、机器学习及生物医学中应用

1.机器学习及生物医学中应用简介

2.数据挖掘

3.机器学习基本概念介绍

4.机器学习特征筛选（PCA、LASSO、RFE）

5.常用机器学习模型介绍（LDA、Decision Tree、Random Forest、GBDT、XGBoost）

6.深度学习基本概念介绍

7.深度学习全连接神经网络、卷积神经网络、循环神经网络介绍

8.深度学习框架PyTorch使用

9.ROC曲线及相关模型评估指标

10.生存分析基本概念介绍（生存曲线）

11.预后模型介绍（单因素，多因素cox回归，lasso回归）

12.Python语言简介及NumPy、Pandas、scikit-learn等库的使用

二、机器学习在生物医学中的应用案例

1.机器学习在生物医学中的应用案例分享

(1)利用机器学习方法筛选疾病相关的生物标志物

(2)利用机器学习方法识别肿瘤良恶性概率

2.机器学习+生存分析预测患病风险

(1)机器学习+生存分析预测患者预后

3.数据挖掘

(1)WGCNA理论和算法

(2)寻找差异基因和制作5年生存率

(3)使用cytoscape寻找核心基因

(4)提取蛋白编码基因

(5)基于算法构建调控

4.TCGA数据库介绍

(1)TCGA数据库下载RNAseq，miRNA-seq数据

(2)TCGA临床数据下载

(3)TCGA数据整理和基因注释

(4)合并TCGA表达谱数据

5.GEO数据库介绍

(1)GEO数据库检索

(2)GEO数据下载

6.Oncomine数据库概述

(1)Oncomine的Meta分析

(2)Oncomine的差异分析和共表达分析

三、机器学习应用于TCGA公共数据，复现科研文章

1.机器学习应用于TCGA公共数据，复现科研文章

(1)差异表达分析

(2)主成分分析（PCA）

(3)火山图，热图绘制

(4)GO和KEGG富集分析，柱形图，气泡图绘制

(5)蛋白质互作用网络

2.生存分析，生存曲线绘制

(1)一致性聚类分析（ConsensusClusterPlus）

(2)训练集，测试集拆分

3.Python语言简介

(1)单因素，多因素cox分析

(2)Lasso回归分析

4.风险评估模型构建

5.riskScore计算

6.Nomogram模型构建

(1)时间依赖ROC曲线（Time-dependent ROC）

(2)矫正曲线，决策曲线绘制

四、机器学习应用于GEO公共数据，复现科研文章

1.机器学习应用于GEO公共数据，复现科研文章

(1)差异表达分析

(2)主成分分析（PCA）

(3)构建机器学习算法模型（LDA、Decision Tree、Random Forest、GBDT、XGBoost）

2.特征筛选及重要性评估

(1)模型评估（ROC曲线绘制）

(2)准确率、精确率、敏感度、特异度等模型评估指标

3.构建Nomogram模型

(1)矫正曲线绘制

(2)决策曲线绘制

4.一致性聚类分析

(1)GSEA分析

五、深度学习构建模型

1.TCGA公共数据构建模型

2.GEO公共数据构建模型

3.使用卷积神经网络(CNN)识别测序数据中的基因组变异

八、辅助课程

1.学后交流、微信群、QQ群建立；

2.咨询、合作。专业技术团队深入探讨。