目录

这里是截至2024.1.7的目录，按照理论、技术和论文阅读进行了初步分类。
你可以通过每个条目后的链接进入该文章，也可以在博客初始界面点击感兴趣的tags，迅速找到某一类文章，希望能对你有所帮助🎉

1. 理论学习

1. 生信理论学习：

   • 功能富集分析。
     https://hermit200.github.io/post/gong-neng-fu-ji-fen-xi-bi-ji.html
   • 序列比对、进化树构建。
     https://hermit200.github.io/post/xu-lie-bi-dui-bi-ji.html 、https://hermit200.github.io/post/jin-hua-shu-xue-xi-bi-ji.html
   • 蛋白质互作分析的实验技术
     https://hermit200.github.io/post/dan-bai-hu-zuo-shi-yan-fang-fa-xiao-zheng-li.html
     -学会使用PyMOL可视化蛋白
     https://hermit200.github.io/post/PyMOL-jian-dan-jie-shao.html

2. 机器学习理论：

   • 回归方法（线性回归、对数几率回归）。
     https://hermit200.github.io/post/xian-xing-hui-gui-bi-ji.html 、 https://hermit200.github.io/post/dui-shu-ji-lv-hui-gui-%EF%BC%88Logistic%20Regression%EF%BC%89-bi-ji.html
   • 分类算法（支持向量机 SVM、决策树）。
     https://hermit200.github.io/post/zhi-chi-xiang-liang-ji-%EF%BC%88SVM%EF%BC%89-bi-ji.html 、https://hermit200.github.io/post/jue-ce-shu-bi-ji.html
   • 贝叶斯分类器。
     https://hermit200.github.io/post/bei-ye-si-fen-lei-qi-bi-ji.html
   • 集成学习方法。
     https://hermit200.github.io/post/ji-cheng-xue-xi-bi-ji.html

3. 深度学习模型：

   • 前馈神经网络（FNN）。
     https://hermit200.github.io/post/qian-kui-shen-jing-wang-luo-bi-ji.html

2. 代码技术

1. Python：

   • python基础
     https://hermit200.github.io/post/Python-ji-chu-zhi-shi.html
   • 掌握了 Pandas、NumPy 数据分析基础。
     https://hermit200.github.io/post/NumPy%20-xue-xi-bi-ji.html 、https://hermit200.github.io/post/Pandas%20-xue-xi-bi-ji.html
   • Scikit-learn 的机器学习框架实践。
     https://hermit200.github.io/post/Scikit-Learn-xue-xi-bi-ji.html
   • 学习了使用 Anaconda 管理环境。
     https://hermit200.github.io/post/Anaconda-jian-dan-jie-shao.html

2. R 语言：

   • 涉及功能富集分析和统计绘图方法。
     https://hermit200.github.io/post/R-yu-yan-xue-xi-bi-ji.html

3. 论文阅读与科研实践

1. 阅读文献：

   • 阅读了《Definition of the effector landscape across 13 phytoplasma proteomes with LEAPH and EffectorComb》
     https://hermit200.github.io/post/%E3%80%8ADefinition%20of%20the%20effector%20landscape%20%E2%80%A6%E2%80%A6%E3%80%8B-yue-du-bi-ji.html

2. 科研尝试：

   • 在阅读《POOE: predicting oomycete effectors based on a pre-trained large protein language model》文献基础上，尝试复现论文模型、实现代码并优化。
   • 尝试自己使用预训练模型提取蛋白特征并完成模型训练。
     https://hermit200.github.io/post/lun-wen-%E3%80%8APOOE-%20predicting%20oomycete%20effectors%20%E2%80%A6%E2%80%A6%E3%80%8B-de-du-hou-tan-suo.html