机器学习微生物组学

第一天
机器学习及微生物学简介

1. 机器学习基本概念介绍
2. 常用机器学习模型介绍（GLM,BF,SVM,lasso,KNN等等）
3. 混淆矩阵
4. ROC曲线
5. 主成分分析（PCA）
6. 微生物学基本概念
7. 微生物学常用分析介绍
   R语言简介及实操
   1.R语言概述
   2.R软件及R包安装
   3.R语言语法及数据类型
   4.条件语句
   5.循环
   6.函数
   7.常用的机器学习和微生物数据相关的R包介绍
   第二天
   机器学习在微生物学中的应用
   1.利用机器学习基于微生物组学数据预测宿主表型
   2.利用机器学习基于微生物组学数据预测疾病状态
   3.利用机器学习预测微生物风险
   4.机器学习研究饮食对肠道微生物的影响
   微生物学常用分析（实操）
   1. 微生物丰度分析
8. α-diversity，β-diversity分析
9. 进化树构建
10. 降维分析
11. 基于OTU的差异表达分析，热图，箱型图绘制
    6. 微生物biomarker鉴定
    第三天{实操）
    零代码工具利用机器学习分析微生物组学数据
12. 加载数据及数据归一化
13. 构建训练模型（GLM, RF, SVM）
14. 模型参数优化
15. 模型错误率曲线绘制
16. 混淆矩阵计算
17. 重要特征筛选
18. 模型验证，ROC曲线绘制
    8.利用模型进行预测
    第四天{实操）
    利用机器学习基于微生物组学数据预测宿主表型(二分类变量以及连续变量)
19. 加载数据（三套数据）
20. 数据归一化
21. OUT特征处理
22. 机器学习模型构建（RF, KNN, SVM, Lasso等9种机器学习方法）
23. 5倍交叉验证
24. 绘制ROC 曲线，比较不同机器学习模型
    7.模型性能评估
    第五天{实操）
    利用机器学习预测微生物风险（多分类）
25. 加载数据
26. 机器学习模型构建（RF, gbm, SVM, LogitBoost等等）
27. 10倍交叉验证
28. 模型性能评估
    利用机器学习预测刺激前后肠道菌群变化
29. 数据加载及预处理
30. α-diversity，β-diversity分析
31. RF模型构建（比较分别基于OUT，KO，phylum的模型效果）
32. 10倍交叉验证, 留一法验证
33. 特征筛选及重要特征可视化
    6. 外部数据测试模型