haku: @keyword model selection / yhteensä: 6
hakutulos-lista
viite: 2 / 6
« edellinen | seuraava »
Tekijä:Adhikari, Prem Raj
Työn nimi:Mixture modelling of multiresolution 0-1 data
Julkaisutyyppi:Diplomityö
Julkaisuvuosi:2010
Sivut:xi + 80 s. + liitt.      Kieli:   eng
Koulu/Laitos/Osasto:Tietotekniikan laitos
Oppiaine:Informaatiotekniikka   (T-61)
Valvoja:Kaski, Samuel
Ohjaaja:Hollmén, Jaakko
OEVS:
Sähköinen arkistokappale on luettavissa Aalto Thesis Databasen kautta.
Ohje
sulje

Digitaalisten opinnäytteiden lukeminen Aalto-yliopiston Harald Herlin -oppimiskeskuksen suljetussa verkossa

Oppimiskeskuksen suljetussa verkossa voi lukea sellaisia digitaalisia ja digitoituja opinnäytteitä, joille ei ole saatu julkaisulupaa avoimessa verkossa.

Oppimiskeskuksen yhteystiedot ja aukioloajat: https://learningcentre.aalto.fi/fi/harald-herlin-oppimiskeskus/

Opinnäytteitä voi lukea Oppimiskeskuksen asiakaskoneilla, joita löytyy kaikista kerroksista.

Kirjautuminen asiakaskoneille

  • Aalto-yliopistolaiset kirjautuvat asiakaskoneille Aalto-tunnuksella ja salasanalla.
  • Muut asiakkaat kirjautuvat asiakaskoneille yhteistunnuksilla.

Opinnäytteen avaaminen

  • Asiakaskoneiden työpöydältä löytyy kuvake:

    Aalto Thesis Database

  • Kuvaketta klikkaamalla pääset hakemaan ja avaamaan etsimäsi opinnäytteen Aaltodoc-tietokannasta. Opinnäytetiedosto löytyy klikkaamalla viitetietojen OEV- tai OEVS-kentän linkkiä.

Opinnäytteen lukeminen

  • Opinnäytettä voi lukea asiakaskoneen ruudulta tai sen voi tulostaa paperille.
  • Opinnäytetiedostoa ei voi tallentaa muistitikulle tai lähettää sähköpostilla.
  • Opinnäytetiedoston sisältöä ei voi kopioida.
  • Opinnäytetiedostoa ei voi muokata.

Opinnäytteen tulostus

  • Opinnäytteen voi tulostaa itselleen henkilökohtaiseen opiskelu- ja tutkimuskäyttöön.
  • Aalto-yliopiston opiskelijat ja henkilökunta voivat tulostaa mustavalkotulosteita Oppimiskeskuksen SecurePrint-laitteille, kun tietokoneelle kirjaudutaan omilla Aalto-tunnuksilla. Väritulostus on mahdollista asiakaspalvelupisteen tulostimelle u90203-psc3. Väritulostaminen on maksullista Aalto-yliopiston opiskelijoille ja henkilökunnalle.
  • Ulkopuoliset asiakkaat voivat tulostaa mustavalko- ja väritulosteita Oppimiskeskuksen asiakaspalvelupisteen tulostimelle u90203-psc3. Tulostaminen on maksullista.
Sijainti:P1 Ark Aalto  6858   | Arkisto
Avainsanat:mixture models
multiresolution data
0-1 data
model selection
cross-validation
chromosomal aberration
upsampling
downsampling
cancer genetics
Tiivistelmä (eng): Biological systems are complex and measurements in biology are made with high throughput and high resolution techniques often resulting in data in multiple resolutions.
Furthermore, ISCN [1] has defined five different resolutions of the chromosome band.
Currently, available standard algorithms can only handle data in one resolution at a time.
Hence, transformation of the data to the same resolution is inevitable before the data can be fed to the algorithm.
Furthermore comparing the results of an algorithm on data in different resolutions can produce interesting results which aids in determining suitable resolution of data.
In addition, experiments in different, resolutions can be helpful in determining the appropriate resolution for computational methods.

In this thesis, one method for up sampling and three different methods of down sampling 0-1 data are proposed, implemented and experiments are performed on different resolutions.
Suitability of the proposed methods is validated and the results are compared across different resolutions.
The proposed methods produce plausible results showing that the significant patterns in the data are retained in the transformed resolution.
Thereafter, the mixture models are trained on the data original data and the results are analyzed.
However, machine learning methods such as mixture models require high amounts of data to produce plausible results.
Therefore, the major aim of the data transformation procedure was the integration of databases.
Hence, two different datasets available in two different resolutions were integrated after transforming them to a single resolution and mixture models were trained on them.
Trained models can be used to classify cancers and cluster the data.
The results on integrated data showed significant improvements compared with the data in the original resolution.
ED:2011-01-18
INSSI tietueen numero: 41488
+ lisää koriin
« edellinen | seuraava »
INSSI