| | SLO | ENG | Piškotki in zasebnost

Večja pisava | Manjša pisava

Iskanje po katalogu digitalne knjižnice Pomoč

Iskalni niz: išči po
išči po
išči po
išči po
* po starem in bolonjskem študiju

Opcije:
  Ponastavi


1 - 3 / 3
Na začetekNa prejšnjo stran1Na naslednjo stranNa konec
1.
ANALIZA STABILNOSTI ALGORITMOV ZA RAZVRŠČANJE NA PODLAGI GENSKIH EKSPRESIJ
Nejc Haberman, 2010, diplomsko delo

Opis: V diplomskem delu smo predstavili implementacijo sistema za analizo stabilnosti algoritmov za razvrščanje atributov na podlagi genskih ekspresij. Najprej opišemo že obstoječa orodja za podatkovno rudarjenje in najbolj uporabljene datotečne strukture formatov. Predstavili smo tudi vse implementirane metode za izbiro atributov. Podrobno prikažemo delovanje algoritmov za merjenje stabilnosti, zrušitve imen in risanje grafov. Sledi predstavitev sistema in uporabniški priročnik. Končni izdelek diplomske naloge je sistem SAGERA (Stability Analysis of Gene Expression Ranking Algorithms), ki se nahaja na spletni strani: http://agra.fzv.uni-mb.si/sagera/.
Ključne besede: podatkovno rudarjenje, izbira atributov, metrike stabilnosti, ekspresija genov
Objavljeno: 10.03.2011; Ogledov: 1690; Prenosov: 119
.pdf Celotno besedilo (19,24 MB)

2.
KLASIFIKACIJA TOPNOSTI PROTEINOV V PROSTORU BIOMEDICINSKIH KONCEPTOV TEKSTOVNE ANALIZE
Simon Kocbek, 2011, doktorska disertacija

Opis: Proteini so pomemben del vsakega organizma in imajo številne pomembne funkcije, katere so v veliki meri odvisne od strukture proteina. Zadnja je mnogokrat predmet raziskav, kjer strokovnjaki izolirajo posamezen protein in proučijo njegove strukturne lastnosti. Na proces izolacije proteina v veliki meri vpliva njegova topnost, saj je protein z nizko stopnjo topnosti zelo težko izolirati. Prav tako so netopni proteini razlog za nekatere pomembne bolezni. Zaradi teh razlogov želijo strokovnjaki velikokrat vnaprej vedeti, kateri proteini imajo več možnosti za visoko stopnjo topnosti. Posledično so se razvile številne metode, ki uporabljajo tehnike nadzorovanega strojnega učenja za klasifikacijo topnosti proteinov. Te metode klasificirajo proteine v topne in ne-topne ter se uporabljajo za napovedovanje topnosti za nove primerke. V disertaciji predlagamo novo metodo za klasifikacijo topnosti proteinov, ki s pomočjo tehnik tekstovnega rudarjenja izlušči medicinsko znanje iz strokovne literature in ga predstavi v obliki atributov. Te atribute poimenujemo atributi biomedicinskih konceptov in predstavljajo novost na področju klasifikacije topnosti proteinov. Do sedaj uporabljene metode so namreč omejene z uporabo atributov, ki so večinoma izpeljani le iz sekvence proteina. V okviru disertacije tako podamo številne znanstvene prispevke. Predlagana je metoda za ekstrakcijo atributov biomedicinskih konceptov iz strokovne literature na podlagi imena oziroma identifikacijske številke proteina. Nadalje ponudimo originalno primerjavo metod, ki uporabljajo nove atribute, z metodami, ki ponujajo že uveljavljene atribute izpeljane iz sekvence proteina. Kot se pokaže v disertaciji, novi atributi doprinesejo k uspešnosti klasifikacije topnosti proteinov. Podan je tudi algoritem za implementacijo najuspešega klasifikatorja z atributi biomedicinskih konceptov. Zadnji prispevek vključuje novo medicinsko znanje, ki ponudi indice o tem, katere skupine besed in besednih zvez iz strokovne literature so najbolj povezane s topnostjo proteinov. Disertacija je sestavljena iz skupno osem poglavij, katera podrobno predstavijo teoretično ozadje področij, kot so nadzorovano strojno učenje, tekstovno rudarjenje ter struktura in topnost proteinov. Obsežen del disertacije je namenjen opisu proteinskih podatkovnih baz, ki ponujajo informacije o topnosti proteinov ter opisu razvite metode in njene primerjave z do sedaj uporabljanimi metodami. Izvedena je empirična primerjava dvajsetih baz sekvenčnih atributov, ki jim postopoma dodajamo nove atribute in spremljamo doprinose k uspešnosti treh pogosto uporabljanih klasifikacijskih metod.
Ključne besede: strojno učenje, klasifikacija topnosti proteinov, biomedicinski koncept, izbira atributov, tekstovno rudarjenje
Objavljeno: 10.11.2011; Ogledov: 1748; Prenosov: 128
.pdf Celotno besedilo (3,74 MB)

3.
NAIVNI BAYESOV KLASIFIKATOR
Monika Bozhinova, 2015, diplomsko delo

Opis: V sodobnem času je samodejna klasifikacija dokumentov postala pomembna raziskovalna tema. V diplomskem delu smo teoretično razložili izpeljavo in uporabo naivnega Bayesovega klasifikatorja in opisali dva dogodkovna modela naivnega Bayesovega klasifikatorja ter večje število metod izbire atributov. Glavni del diplomskega dela je sestavljen iz opisa naše interaktivne programske rešitve za klasifikacijo dokumentov z uporabo opisanih dogodkovnih modelov in metod, eksperimentalnih rezultatov, pridobljenih s pomočjo naše aplikacije, in empirične primerjave med kombinacijami zasnovanih dogodkovnih modelov naivnega Bayesovega klasifikatorja in metod izbire atributov.
Ključne besede: naivni Bayesov klasifikator, izbira atributov, klasifikacija dokumentov
Objavljeno: 27.05.2015; Ogledov: 1430; Prenosov: 296
.pdf Celotno besedilo (1,56 MB)

Iskanje izvedeno v 0.06 sek.
Na vrh
Logotipi partnerjev Univerza v Mariboru Univerza v Ljubljani Univerza na Primorskem Univerza v Novi Gorici