Machine Learning für die Omics-Analyse

Lernen Sie, wie Sie Machine Learning bei  Metabolom-, Proteom- und Genomanalysen anwenden können.

90min kostenloses Webinar – 9. Juli 2019

Kostenlos registrieren

Einführung

  • Analysieren Sie High Troughput Omics-Datensätze mit Ihrem Team?

  • Müssen Sie die Datenanalyse beschleunigen?

  • Ist es schwierig, Machine Learning richtig einzusetzen?

Dieses Webinar vermittelt Ihnen praktische Einblicke in die Anwendung von Machine Learning für die Omics-Analyse:

  • Was können Sie mit dem maschinellen Lernen in Omics eigentlich machen?

  • Was sind häufige Missverständnisse?

  • Konkrete Anwendungsfälle und Beispiele aus der Praxis

Wann & Wo?

Das Webinar findet am 7. Juli von 16:00 - 17:30 Uhr MEZ über GoToMeeting statt. Sie können sich von Ihrem Computer oder Telefon aus einwählen.

Ideal für die folgenden Personen:

  • Sie sind CTO oder CIO, und Sie müssen entscheiden, wo und wie Sie die KI einsetzen.

  • Sie sind Teamleiter in der Translationswissenschaft und suchen nach Möglichkeiten, Ihre Analysen zu beschleunigen - ohne Abstriche bei der Zuverlässigkeit.

  • Als IT-Projektmanager in der Bioinformatik suchen Sie eine Anleitung, wie Sie Omics Analysetools mit ML entwickeln können und wie Sie ML-Lernprojekte durchführen können, ohne in einem PoC stecken zu bleiben.

Dies können Sie erwarten:

  • Wissen, was Machine Learning wirklich ist. Egal, ob Sie Biologie, Chemie, Wirtschaft oder Informatik studiert haben - dieses Webinar bietet einen grundständigen, praktisch orientierten Blick darauf, was das Tool kann und was nicht.

  • Seien Sie auf die Fehler vorbereitet, die andere Unternehmen machen. Mein Team und ich haben immer wieder gesehen, was Teams zum Scheitern bringt, aber auch, wie es ihnen gelingt, in kürzester Zeit voll funktionsfähige Lösungen zu entwickeln.

  • Erstellen Sie einen Plan, wie Sie Ihren Prozess mit ML beschleunigen können. Lernen Sie, wie Sie überprüfen können, ob ein Problem mit Machine Learning gelöst werden kann. Und wie Sie das Problem so definieren, dass sowohl Ihr Unternehmen als auch Ihre Bioinformatiker dieselbe Wissensgrundlage haben.

  • Lernen Sie Omics-spezifische Tricks zur Verwendung von Machine Learning. Omics-Daten haben eine hohe Dimensionalität und gleichzeitig meist wenig Proben. Dies macht es besonders schwierig, Machine Learning zu nutzen. Aber es gibt Möglichkeiten, wie z.B. Featureauswahl, Modellbegrenzung und Stabilitätsauswahl, die Abhilfe schaffen können. Außerdem müssen Ihre Modelle erklärbar sein. Wir zeigen Ihnen die neuesten Techniken, um Erkenntnisse aus Modellen zu gewinnen.

  • Fragen. Während und nach dem Webinar können Sie Fragen stellen - und wir besprechen sie gemeinsam.

Beispielfolien aus der Präsentation

Über den Sprecher

Ich bin Markus, CEO und Head of Data Science bei Data Revenue. Unser Team hat in den letzten 4 Jahren über 30 erfolgreiche Machine Learning Anwendungen entwickelt. Einige Projekte und Erfahrungsberichte.

Ich bin Mathematiker, bin dann zur Datenentwicklung gewechselt, und heute leite ich hauptsächlich Machine Learning Projekte, mit Schwerpunkt auf der Entdeckung von Medikamenten und der Unterstützung von Pharmaunternehmen bei der Planung klinischer Studien. - Wir arbeiten aber auch in vielen anderen Branchen, aus denen wir Inspiration und neue Ideen gewinnen: Autoindustrie (mit Volkswagen und Daimler), Energie (E.ON) und Internet (große AdNetworks und E-Commerce-Seiten).

Fragen Sie mich während des Webinars. Ich werde Ihnen ehrlich, ohne Jargon und Schönrednerei Ratschläge geben, was wir über Machine Learning für die Omics- und Biotech-Forschung gelernt haben.

90min kostenloses Webinar – 9. Juli 2019

Kostenlos registrieren

Webinar FAQ:

Können wir wirklich an einem Tag eine erfolgreiche maschinelle Lernstrategie entwickeln?

Lorem ipsum dolor sit amet, consectetur adipiscing elit. Suspendisse varius enim in eros elementum tristique. Duis cursus, mi quis viverra ornare, eros dolor interdum nulla, ut commodo diam libero vitae erat. Aenean faucibus nibh et justo cursus id rutrum lorem imperdiet. Nunc ut sem vitae risus tristique posuere.

Wer nimmt am Strategietag teil?

We’ll be bringing Markus Schmitt (CEO) and Alan Hong (CTO / ML Engineer). Between the two of us, we have the in-depth technical skill, academic knowledge, analysis and hands-on experience to identify and validate innovative solutions to your biggest problems.

You should bring someone with extensive domain knowledge and high-level awareness of the product and company priorities— like a CIO or Product Manager. Also, someone familiar with any and all data sets that exist— like a data engineer.

Habe ich genügend Daten für das maschinelle Lernen? Habe ich die richtigen Daten?

Lorem ipsum dolor sit amet, consectetur adipiscing elit. Suspendisse varius enim in eros elementum tristique. Duis cursus, mi quis viverra ornare, eros dolor interdum nulla, ut commodo diam libero vitae erat. Aenean faucibus nibh et justo cursus id rutrum lorem imperdiet. Nunc ut sem vitae risus tristique posuere.

Was passiert, wenn ich bereits ein hohes Maß an Verständnis für ML habe?

Lorem ipsum dolor sit amet, consectetur adipiscing elit. Suspendisse varius enim in eros elementum tristique. Duis cursus, mi quis viverra ornare, eros dolor interdum nulla, ut commodo diam libero vitae erat. Aenean faucibus nibh et justo cursus id rutrum lorem imperdiet. Nunc ut sem vitae risus tristique posuere.

Warum ist ein Strategietag wichtig?

Lorem ipsum dolor sit amet, consectetur adipiscing elit. Suspendisse varius enim in eros elementum tristique. Duis cursus, mi quis viverra ornare, eros dolor interdum nulla, ut commodo diam libero vitae erat. Aenean faucibus nibh et justo cursus id rutrum lorem imperdiet. Nunc ut sem vitae risus tristique posuere.

Haben Sie Referenzen, an die ich mich wenden kann?

Lorem ipsum dolor sit amet, consectetur adipiscing elit. Suspendisse varius enim in eros elementum tristique. Duis cursus, mi quis viverra ornare, eros dolor interdum nulla, ut commodo diam libero vitae erat. Aenean faucibus nibh et justo cursus id rutrum lorem imperdiet. Nunc ut sem vitae risus tristique posuere.