[Кафедра математической логики и теории алгоритмов]

Страница курса: http://logic.math.msu.ru/staff/ver/old/error-correcting-codes/ecc2024/

Страница спецкурса: http://logic.math.msu.ru/staff/lyubetsky/mmdp/. 

Этот спецкурс - вторая половина спецкурса "Современные методы обработки данных".

Слушатели должны зарегистрироваться по адресу gorbunov@iitp.ru, сообщив о себе: ФИО полностью, факультет, группу, свой email и мобильный.

Компьютерная обработка больших данных — универсальное направление исследований буквально во всех областях естественных и гуманитарных наук. В тоже время такая обработка опирается на методы современной математики, от алгоритмов до геометрии. Используемые здесь методы/алгоритмы в основном эвристические, интуитивно построенные, для которых почти неизвестны доказательства их правильности. Более того, обычно не существует даже математической постановки задачи, решаемой таким эвристическим алгоритмом; сама эта задача понимается интуитивно, на основе компьютерных экспериментов и опыта применения в данной прикладной области. Будет рассказан, так называемый, метод Seurat, широко применяемый в разных прикладных задачах и особенно в биоинформатике. Будут обсуждаться проблемы его обоснования, далёкие от математического решения. Будут предложены компьютерные вычислительные программистские математические задачи, как и реально прикладные, для курсовых и дипломных работ; для аспирантских тем. Никакие предварительные знания не предполагаются; все необходимые сообщаются на лекциях. После каждой лекции предполагается факультативный семинар и обсуждение задач.

Литература.

Первые три ссылки -- пример полного счёта программы и страница с подробным описанием каждой функции пакета Seurat. Далее  работы, полезные по всем пунктам:

https://satijalab.org/seurat/articles/pbmc3k_tutorial

https://satijalab.org/seurat/reference/

https://github.com/satijalab/seurat/tree/main/src

Далее отдельные статьи по пунктам выше/ниже.

1) дисп строки почти не зависит средн строки

Преобразование данных к log-нормальному виду.

Nucleic Acids Research, 2008, Vol. 36, No. 2 e11 doi:10.1093/nar/gkm1075

2) строки с большой дисп по окрестности yi

Выделение строк числовой матрицы с большой вариабельностью.

Кластеризация точек многомерного пространства: алгоритм и программа, счёт прикладной задачи.

Лекции.

https://en.wikipedia.org/wiki/Local_regression

Traag, V.A., Waltman, L. & van Eck, N.J. From Louvain to Leiden: guaranteeing well-connected communities. Sci Rep 9, 5233 (2019). https://doi.org/10.1038/s41598-019-41695-z

3) хорошие коор-ты столбца, и оставить информативные коор-ты

Выбор наиболее информативных строк числовой матрицы с большой вариабельностью.

Кластеризация столбцов числовой матрицы на основе методов Seurat и Single R.

Traag, V.A., Waltman, L. & van Eck, N.J. From Louvain to Leiden: guaranteeing well-connected communities. Sci Rep 9, 5233 (2019). https://doi.org/10.1038/s41598-019-41695-z

https://en.wikipedia.org/wiki/Local_regression

Stuart T. et al. ComprehensiveIntegration of Single-Cell Data. Cell 177, 1888–1902, June 13, 2019. https://doi.org/10.1016/j.cell.2019.05.031

4) в множестве М точек ранговые веса рёбер

Графовое представление множества точек многомерного пространства.

Лекции.

5) начальную кластеризацию столбцов

Выбор начального графового представления множества точек многомерного пространства.

Лекции.

6) максимум фун-и модулярности, итеративно

Выбор наиболее экспрессируемых строк числовой матрицы.

Лекции.

Traag, V.A., Waltman, L. & van Eck, N.J. From Louvain to Leiden: guaranteeing well-connected communities. Sci Rep 9, 5233 (2019). https://doi.org/10.1038/s41598-019-41695-z

7) диф-экспрессированные строки: МУВ+БХ

 Максимизация функции модулярности на графах.

https://en.wikipedia.org/wiki/Local_regression

Stuart T. et al. ComprehensiveIntegration of Single-Cell Data. Cell 177, 1888–1902, June 13, 2019. https://doi.org/10.1016/j.cell.2019.05.031 

8) понизить размерность: новые веса+КЛ

Stuart T. et al. ComprehensiveIntegration of Single-Cell Data. Cell 177, 1888–1902, June 13, 2019. https://doi.org/10.1016/j.cell.2019.05.031

McInnes, L, Healy, J, UMAP: Uniform Manifold Approximation and Projection for Dimension Reduction, ArXiv e-prints 1802.03426, 2018

Страница спецкурса: http://logic.math.msu.ru/staff/lyubetsky/mmdp/. 

Этот спецкурс - первая половина годового спецкурса "Современные методы обработки данных".

Слушатели должны зарегистрироваться по адресу gorbunov@iitp.ru, сообщив о себе: ФИО полностью, факультет, группу, свой email и мобильный.

Компьютерная обработка больших данных — универсальное направление исследований буквально во всех областях естественных и гуманитарных наук. В тоже время такая обработка опирается на методы современной математики, от алгоритмов до геометрии. Используемые здесь методы/алгоритмы в основном эвристические, интуитивно построенные, для которых почти неизвестны доказательства их правильности. Более того, обычно не существует даже математической постановки задачи, решаемой таким эвристическим алгоритмом; сама эта задача понимается интуитивно, на основе компьютерных экспериментов и опыта применения в данной прикладной области. Будет рассказан, так называемый, метод Seurat, широко применяемый в разных прикладных задачах и особенно в биоинформатике. Будут обсуждаться проблемы его обоснования, далёкие от математического решения. Будут предложены компьютерные вычислительные программистские математические задачи, как и реально прикладные, для курсовых и дипломных работ; для аспирантских тем. Никакие предварительные знания не предполагаются; все необходимые сообщаются на лекциях. После каждой лекции предполагается факультативный семинар и обсуждение задач.

Страница спецкурса: http://logic.math.msu.ru/staff/lyubetsky/mmdp/. 

Курс можно сдавать как два полугодовых или как годовой. Названия полугодовых «половинок»: «Математические методы анализа данных (Mathematical methods of data analysis)», «Компьютерный анализ клеточных типов (Computer analysis of cell types)».

Слушатели должны зарегистрироваться по адресу gorbunov@iitp.ru, сообщив о себе: ФИО полностью, факультет, группу, свой email и мобильный.

Компьютерная обработка больших данных — универсальное направление исследований буквально во всех областях естественных и гуманитарных наук. В тоже время такая обработка опирается на методы современной математики, от алгоритмов до геометрии. Используемые здесь методы/алгоритмы в основном эвристические, интуитивно построенные, для которых почти неизвестны доказательства их правильности. Более того, обычно не существует даже математической постановки задачи, решаемой таким эвристическим алгоритмом; сама эта задача понимается интуитивно, на основе компьютерных экспериментов и опыта применения в данной прикладной области. Будет рассказан, так называемый, метод Seurat, широко применяемый в разных прикладных задачах и особенно в биоинформатике. Будут обсуждаться проблемы его обоснования, далёкие от математического решения. Будут предложены компьютерные вычислительные программистские математические задачи, как и реально прикладные, для курсовых и дипломных работ; для аспирантских тем. Никакие предварительные знания не предполагаются; все необходимые сообщаются на лекциях. После каждой лекции предполагается факультативный семинар и обсуждение задач.

Ссылка на телеграм-канал курса.

Пожалуйста, обратите внимание на следующие важные замечания. В случае их игнорирования ответственность полностью ложится на студента:

1. Обязательно присоединитесь к Telegram-каналу, так как вся информация, касающаяся курса, включая ссылку для входа в класс, учебные материалы и записанные видео, будет размещена там.

2. Студенты, которые хотят официально записаться на курс, сдать экзамен и получить оценку, должны отправить письмо на указанный ниже адрес до декабря (подчеркиваю, до декабря). В противном случае оценка не будет присвоена. mgolafshan@yandex.ru

Обязательный спецкурс для студентов кафедры математической логики и теории алгоритмов