MIT-6874-Deep Learning in the Life Sciences Week1
Week1 Intro
Why deep learning in life science
主要驱动因素+可以产生具有革命性的结果
Why computational Biology
生物学的数据具有一定的规律性，但数据是庞杂的
机器擅长利用规律性的知识，从噪声中找到我们想要的东西
Intro to Machine Learning
机器学习推理的基本理论：贝叶斯原理
Making conclusions of the hidden state of the world given observations about the observable state of the world！
为世界建模，然后推断出一些东c!
Posterior: 给定事件的后验概率
Likelihood：当假设成立时收集到这些数据的概率
Prior：该假设的先验概率（即该假设发生的概率，是数据收集之前的先决条件）
Marginal：边际概率（在所有的可能性下，收集到当前数据的概率）
Classification and clustering
分类已知具体的类别，期望找到区分这个类别的rules
聚类则是通过发现数据内的特征，将具有相似性质/特征的数据归为一类
二者都是通过期望最大化，迭代学习对模型的参数估计
Intro to Genomics
基因组学/基因调控包括什么内容，有什么技术？
分子生物学的-中心法则
待补充
Where to make in progress?
*待补充
