План навчання на 3 місяці — від нуля до портфоліо bio-AI

Категорія E (кар’єра). Створено: 23 липня 2026. ~10–15 год/тиждень (part-time). Ціль: 2–3 проєкти на GitHub + базове резюме → junior/associate позиції та стажування. Головне правило: вчись роблячи (проєкт > відео), веди публічний GitHub, математику бери «на вимогу». Кожен тиждень: що вчиш · що робити простими словами · результат · матеріали.

Місяць 1 — Фундамент (Python, дані, трохи математики й біології)

Тиждень 1. Python старт

Вчиш: синтаксис, змінні, функції, середовище (Colab).
Що робити: відкрий Google Colab у браузері (нічого не встановлюєш). Проходь курс по 30–45 хв на день. Після кожного уроку одразу пиши свій маленький скрипт — калькулятор, гра «вгадай число», список справ. Мета — звикнути писати код щодня.
Результат: звичка писати код + 10 маленьких скриптів.
Матеріали: Python for Everybody · freeCodeCamp: Python (4 год)

Тиждень 2. Дані в Python

Вчиш: numpy, pandas, matplotlib.
Що робити: візьми будь-який CSV (напр. з Kaggle). Навчись відкрити його в pandas, порахувати середні, відфільтрувати рядки, побудувати графік у matplotlib. Повтори на 2–3 таблицях, поки не стане звично.
Результат: вмієш завантажити дані → порахувати → показати графіком.
Матеріали: Kaggle: Pandas · 10 хвилин до pandas

Тиждень 3. Математика — тільки інтуїція

Вчиш: лінійна алгебра (вектори/матриці) + база ймовірності/статистики.
Що робити: дивись 3Blue1Brown — для інтуїції, не для формул. Паралельно на StatQuest розберись, що таке середнє, розподіл, ймовірність. Записуй головне своїми словами. Не намагайся стати математиком.
Результат: розумієш вектори/матриці й базову статистику «на пальцях».
Матеріали: 3Blue1Brown: лінійна алгебра · StatQuest (канал) · Khan Academy: статистика

Тиждень 4. Перший ML + біологія-мінімум

Вчиш: scikit-learn (train/test, класифікатор, AUROC); ДНК→РНК→білок, ген, варіант.
Що робити: пройди Kaggle Intro to ML — завантаж дані → розділи train/test → навчи класифікатор → виміряй AUROC. Паралельно за 2–3 год розберись у біології: як ДНК кодує білок, що таке ген і мутація.
Результат: перша навчена модель + базова біологія в голові.
Матеріали: Kaggle: Intro to ML · scikit-learn: старт · Khan Academy: біологія

Місяць 2 — ML/DL + перший біо-проєкт (PyTorch, трансформери, Проєкт #1)

Тиждень 5. PyTorch основи

Вчиш: тензори, проста нейромережа, цикл навчання.
Що робити: повтори за туторіалом PyTorch — створи тензори, збери мережу з кількох шарів, напиши цикл навчання (forward → loss → backward → step). Навчи на тих самих даних, що й у тижні 4, порівняй результат.
Результат: своя нейромережа на PyTorch, що навчається.
Матеріали: Learn PyTorch (безкоштовна книга) · PyTorch: 60-хвилинний бліц

Тиждень 6. Трансформери + HuggingFace

Вчиш: інтуїція уваги; завантажив pretrained-модель, дістав ембединги.
Що робити: розберись «на пальцях», як працює трансформер (Illustrated Transformer). Потім на HuggingFace завантаж готову модель, подай їй текст і подивись на ембединги (числові вектори). Зрозумій: модель перетворює вхід на вектор.
Результат: вмієш завантажити модель з HuggingFace і дістати ембединги.
Матеріали: HuggingFace: курси · The Illustrated Transformer

Тиждень 7. 🎯 Проєкт #1 (ч.1) — ембединги білків

Вчиш: ESM-2 / MAMMAL: завантажити модель, дістати вектори.
Що робити: старт першого проєкту. Завантаж ESM-2 (мала версія) або MAMMAL з HuggingFace. Подай кілька білкових послідовностей, отримай ембединги, збережи їх — це «паливо» для наступного тижня.
Результат: ноутбук, що перетворює білки на ембединги.
Матеріали: ESM (GitHub) · ESM-2 (мала, HuggingFace) · MAMMAL (HuggingFace)

Тиждень 8. 🎯 Проєкт #1 (ч.2) — класифікатор + репо

Вчиш: класифікатор на ембедингах, оцінка, GitHub.
Що робити: візьми білки з міткою (розчинний/ні), перетвори на ембединги (тиждень 7), навчи класифікатор (scikit-learn), виміряй AUROC. Оформи акуратний GitHub-репо з README: що робив, які числа, графік.
Результат: перший проєкт на GitHub з README, AUROC і графіком.
Матеріали: scikit-learn: метрики (ROC AUC) · Як написати README

Місяць 3 — Геномні/структурні FM + вихід (Evo 2, Boltz-2, перші кроки до роботи)

Тиждень 9. Геномні моделі — теорія + запуск

Вчиш: Evo 2 / Nucleotide Transformer; офіційний BRCA1-ноутбук.
Що робити: прочитай розбір Evo 2. Відкрий офіційний ноутбук по BRCA1 і повтори крок за кроком на Colab/BioNeMo. Мета — побачити, як модель оцінює «шкідливість» мутації.
Результат: повторений робочий приклад передбачення варіанта.
Матеріали: Evo 2 (GitHub) · BRCA1 туторіал (BioNeMo) · Nucleotide Transformer (HF)

Тиждень 10. 🎯 Проєкт #2 — Evo 2 передбачення варіантів

Вчиш: zero-shot скоринг, AUROC vs ClinVar, ген довголіття.
Що робити: візьми варіанти гена (спершу BRCA1, потім свій ген довголіття — FOXO3) з ClinVar, де відомо «патогенний/доброякісний». Порахуй скор Evo 2 для кожного, побудуй ROC і AUROC. Оформи другий репозиторій.
Результат: другий проєкт: VEP на FOXO3/BRCA1 з AUROC.
Матеріали: Evo 2 — ноутбуки · ClinVar (дані про варіанти)

Тиждень 11. 🎯 Проєкт #3 (стретч) — Boltz-2 скринінг

Вчиш: структура + афінність, ранжування молекул.
Що робити: стретч-проєкт (роби, якщо є час; якщо ні — поглиб №2). Встанови Boltz-2, візьми білок-мішень і кілька молекул, передбач структуру + афінність, покажи що активні відрізняються від неактивних.
Результат: третій репо (або помітно сильніший №2).
Матеріали: Boltz (GitHub) · Як запустити Boltz-2 (Rowan) · ChEMBL (дані активностей)

Тиждень 12. Упаковка й вихід на вакансії

Вчиш: GitHub, write-ups, CV/LinkedIn, перші подачі.
Що робити: причеши всі репозиторії (README, графіки, опис). Онови LinkedIn і резюме під ML/bio-AI. Склади список 10–15 компаній (Insilico, Recursion, Isomorphic…), читай їхні вакансії й пиши першим людям. Подавайся, навіть якщо здається «ще рано».
Результат: готовий профіль, резюме й перші подачі/контакти.
Матеріали: GitHub profile README · Як написати README

🏁 Ціль на кінець 3 місяців

2–3 проєкти на GitHub (ESM-2/MAMMAL → Evo 2 → Boltz-2), базове резюме й LinkedIn, список цільових компаній — можна подаватись на junior/associate позиції та стажування.

Ритм: щодня 1–2 год або 3 сесії/тиждень. Проєкт важливіший за відео. Математику бери «на вимогу», а не наперед.

Матеріали сайту мають освітній характер і не є медичною порадою. Рішення про будь-які втручання ухвалюйте разом із лікарем.