درباره دوره: درس الگوریتم‌های بیوانفورماتیک در نیم سال اول سال تحصیلی 99-98 ضبط شده است. تا قبل از این، سه درس در زمینه‌ی مباحث عملی و کاربردی بیوانفورماتیک ضبط و در سایت مکتب‌خونه به اشتراک گذاشته شده بود: درس الگوریتم‌های بیوانفورماتیک رویکردی عمیق به مباحث الگوریتمی و نظری بیوانفورماتیک دارد. این درس که در دوره‌ی کارشناسی ارشد بیوانفورماتیک دانشگاه صنعتی شریف ارائه گردیده است به شما می‌آموزد که چطور با مساله‌های چالش‌برانگیز تحلیل ژنوم، ترانسکریپتوم و پروتئوم روبرو شوید، چطور آن‌ها را به زبان علوم رایانه درآورید و سپس با طراحی الگوریتم‌های خلاقانه، آن را حل کنید. *****اسلایدهای درس را از اینجا دانلود کنید.***** با سپاس فراوان از دکتر شریفی زارچی که با وجود مشکل قلبی پیش آمده برای ایشان و بستری شدن در بیمارستان، متعهدانه و به بهترین شکل این درس را به پایان رساندند. الگوریتم‌های بیوانفورماتیک: 1 - جلسه اول: الگوریتم شار بیشینه و کاربرد آن در RNAseq Isoform Quantification 2 - جلسه دوم: مسأله شار بیشینه (Maximum Network Flow Problem) - بخش اول 3 - جلسه سوم: مسأله شار بیشینه (Maximum Network Flow Problem) - بخش دوم 4 - جلسه چهارم: تطابق دو بخشی (Maximum Bipartite Matching) 5 - جلسه پنجم: اسمبل کردن ژنوم (De Novo Genome Assembly) 6 - جلسه ششم: بلوم فیلتر (Bloom Filter) 7 - جلسه هفتم: درخت پسوندی، ترای پسوندی (Trie, Suffix Trie & Suffix Tree) 8 - جلسه هشتم: کاربردها و نحوه‌ی ساختن درخت پسوندی (Suffix tree applications and creation) 9 - جلسه نهم: برنامه‌نویسی خطی (Linear Programming) - بخش اول 10 - جلسه دهم: برنامه‌نویسی خطی (Linear Programming) - بخش دوم 11 - جلسه یازدهم: آنالیز شبکه متابولیک 12 - جلسه دوازدهم: الگوریتم‌های تقریبی (Approximation) - بخش اول 13 - جلسه سیزدهم: الگوریتم‌های تقریبی (Approximation) - بخش دوم 14 - جلسه چهاردهم: تطابق چند رشته (Multiple Sequence Alignment) 15 - جلسه پانزدهم: الگوریتم‌های همسایگی تقریبی (Approximate Nearest Neighbors & MinHash) 16 - جلسه شانزدهم: پیاده‌سازی و بکارگیری MinHash 17 - جلسه هفدهم: متاژنومیکس و مینی‌مایزرها (Metagenomics & Minimizers) 18 - جلسه هجدهم: ادامه‌ ی Minimizers و الگوریتم Kraken 19 - جلسه نوزدهم: تطابق ژنوم (Genome Alignment) - بخش اول 20 - جلسه بیستم: تطابق ژنوم (Genome Alignment) - بخش دوم 21 - جلسه بیست و یکم: ژنومیک مقایسه‌ای (Comparative Genomics) 22 - جلسه بیست و دوم: الگوریتم Kallisto برای تحلیل RNA-Seq و روش Bootstrapping 23 - جلسه بیست و سوم: تحلیل داده‌های پروتئومیک 24 - جلسه بیست و چهارم: تحلیل داده‌های پروتئومیک: Non-ribosomal peptides, Dereplicator

درباره دوره: *لازم به ذکر است که زیرنویس این دوره توسط هوش مصنوعی صورت گرفته است.*متخصصان حوزه‌ی داده، برای کمک به کسب‌وکارها در تصمیم‌گیری‌های بهتر، داده‌ها را تحلیل می‌کنند. آن‌ها برای انجام این کار از تکنیک‌های قدرتمندی مانند داستان‌سرایی با داده، آمار و یادگیری ماشین استفاده می‌کنند. در این دوره، شما با کاوش در نقش متخصصان داده در محیط کاری، سفر یادگیری خود را آغاز خواهید کرد. همچنین با فرآیند کاری پروژه‌محور PACE (برنامه‌ریزی، تحلیل، ساخت، اجرا) و چگونگی سازماندهی پروژه‌های داده با استفاده از آن آشنا می‌شوید. کارمندان گوگل که هم‌اکنون در این حوزه فعالیت می‌کنند، با ارائه‌ی فعالیت‌های عملی شبیه‌سازی‌شده‌ی وظایف مرتبط، به اشتراک گذاشتن نمونه‌هایی از کار روزانه‌ی خود و کمک به تقویت مهارت‌های تحلیل داده‌ی شما برای آمادگی شغلی، شما را در این دوره راهنمایی می‌کنند. مقدمه‌ای بر مفاهیم علم داده: 1 - خوش‌آمدگویی 2 - کشف جعبه ابزار داده‌ 3 - جمع‌بندی 4 - Lois-An:با کنجکاوی در حرفه‌ی داده خود پیش بروید 5 - ارزیابی تاثیر داده در عصر حاضر: 1 - خوش‌آمدگویی 2 - Adrian: ایجاد راه‌حل‌های تجاری مبتنی بر داده 3 - مشاغل مبتنی بر داده، موتور محرک کسب‌وکارهای مدرن 4 - بهره‌گیری از تحلیل داده در سازمان‌های غیرانتفاعی 5 - مهارت‌های کلیدی مورد نیاز برای یک حرفه‌ی مبتنی بر داده 6 - ملاحظات اخلاقی مهم برای متخصصان داده 7 - فضای شغلی برای متخصصان داده 8 - جمع‌بندی حرفه شما به عنوان یک متخصص داده: 1 - خوش‌آمدگویی 2 - Cassie: عشق مادام العمر به داده 3 - آینده مشاغل داده 4 - Tiffany: نصیحت برای جویندگان کار 5 - ایجاد یک حضور حرفه‌ای آنلاین 6 - تقویت روابط حرفه‌ای 7 - آماده شدن برای جستجوی کار 8 - Daisy: برجسته کردن مهارت‌های فنی و ارتباطی 9 - جمع‌بندی کاربردها و گردش کار داده: 1 - خوش‌آمدگویی 2 - Hautahi: اهمیت برقراری ارتباط در حرفه‌ی علوم داده 3 - آشنایی با مدل PACE 4 - عناصر کلیدی ارتباط 5 - ارتباط، محرک PACE 6 - PACE و موضوعات دوره‌ی آینده 7 - جمع‌بندی پروژه پایانی دوره: 1 - ارزش یک پورتفولیو 2 - معرفی پروژه پایانی دوره برای پورتفولیو 3 - جمع‌بندی پروژه پایانی دوره و نکاتی برای موفقیت شغلی در آینده 4 - جمع‌بندی دوره