Ну как в домашних… можете посмотреть на Minion, но все-таки это еще экспериментальная штука, еще в работе… с этими данными работали и довольно грязно получается пока. Ну и стоит немножко 5000 долларов в разумной комплектации.
вот так-так, я там проходил Algorithms in Bioinformatics от UCSD (он раньше дублировался на курсере), теперь видимо он идет только в виде специализации на курсере...
Совиет Юнион стайл. Если нет возможностей оценить людей по способностям — ценят по диплому, но в серьезном научном мире немного не так. Человек, получивший PhD по биоинформатике в MIT и имеющий одну статью первым автором в хорошем журнале, скорее всего, проиграет конкурс человеку с PhD из Москвы и имеющему 10 статей первым автором в хорошем журнале.
Что правда, так это то, что в Америке больше возможностей поработать в хорошей команде/с самыми новыми данными. Вовсе не бумажка или букашка играют здесь роль.
Хорошая статья, кстати, в конце несколько слов про знание статистики биологами и как эту проблему решать. За этим, в том числе, и нужны биоинформатики.
Ну, встречал много людей которые придерживаются такой же, как и вы, точки зрения — "не человек место красит, а место человека". Не согласен. Знания в аспирантуре не дают, аспирант — что гусар, берет знания силой и настойчивостью =)
Зп постдока в Барселоне/EMBL/Гроннингене выше в 1.5 — 2 раза. Про остальное, действительно, не знаю.
Машинное обучение я бы не сказал что в тренде, просто потому что это выражение не совсем корректно на мой взгляд. Машинное обучение де факто стандарт во всех исследованиях, в которых не все вероятностные факторы можно напрямую вывести из дизайна эксперимента.
На perl уже считается в некотором роде "дурным тоном" писать. Python выбор мастеров ныне.
Моделирование лучше писать на чем-то очень-очень быстром, если моделирование включает оптимизацию параметров/симуляции. Я бы сказал что Matlab, C, C++, иногда Java.
Со статистикой беда, но статистика штука очень tricky, иной раз простейшие вопросы могут ставить в тупик =) вот недавно проводили лекции по статистике, был озадачен наивным вопросом — почему в тесте на пропорции распределение хи-квадрат? Мне кажется статистику знают отвратительно подавляющее большинство научных работников, вопрос лишь в степени отвратительности.
Абсолютно аналогично. Перед подачей статьи обнаружил, что 2 года назад в журнале с маленьким импактом была опубликована статья даже лучше, чем моя. Премного от этого печалился. Литературный поиск — один из самых сложных этапов, на самом деле...
Поддерживаю vyahhi, на текущем этапе данных слишком много, обрабатывать их грамотно и полно — задача на годы, а надо писать статьи. Вот и получается — есть консорциум, накопили они террабайты данных, выпустили десять статей — и данные "убираются в стол", хотя по ним еще десять статей написать можно.
Однако, примерно половина системной биологии (например, построение сетей) тоже обработка массивов данных, однако к биоинформатике её не относят, так что определение не общее. Моделирование развития относят к системной биологии, о чем в статье есть ремарка.
В моделировании сейчас есть некоторые проблемы. Точность модели и вычислимость на текущих вычислительных мощностях, на мой взгляд, приблизились к максимуму, то есть повышать точность — значит усложнять модели еще больше, а уже современные модели считаются с трудом.
https://stepic.org/users/651763/teach — вот эти курсы будут полезными, но алгоритмы в биоинформатике убрали =(
Что правда, так это то, что в Америке больше возможностей поработать в хорошей команде/с самыми новыми данными. Вовсе не бумажка или букашка играют здесь роль.
Зп постдока в Барселоне/EMBL/Гроннингене выше в 1.5 — 2 раза. Про остальное, действительно, не знаю.
Машинное обучение я бы не сказал что в тренде, просто потому что это выражение не совсем корректно на мой взгляд. Машинное обучение де факто стандарт во всех исследованиях, в которых не все вероятностные факторы можно напрямую вывести из дизайна эксперимента.
Моделирование лучше писать на чем-то очень-очень быстром, если моделирование включает оптимизацию параметров/симуляции. Я бы сказал что Matlab, C, C++, иногда Java.
Со статистикой беда, но статистика штука очень tricky, иной раз простейшие вопросы могут ставить в тупик =) вот недавно проводили лекции по статистике, был озадачен наивным вопросом — почему в тесте на пропорции распределение хи-квадрат? Мне кажется статистику знают отвратительно подавляющее большинство научных работников, вопрос лишь в степени отвратительности.
В моделировании сейчас есть некоторые проблемы. Точность модели и вычислимость на текущих вычислительных мощностях, на мой взгляд, приблизились к максимуму, то есть повышать точность — значит усложнять модели еще больше, а уже современные модели считаются с трудом.